Numpy是一个开源的Python科学计算库，它是python科学计算库的基础库，许多其他著名的科学计算库如Pandas，Scikit-learn等都要用到Numpy库的一些功能。
本文主要内容如下：
Numpy数组对象创建ndarray数组Numpy的数值类型ndarray数组的属性ndarray数组的切片和索引处理数组形状数组的类型转换numpy常用统计函数数组的广播Numpy中的多维数组称为ndarray，这是Numpy中最常见的数组对象。ndarray对象通常包含两个部分：
ndarray数据本身描述数据的元数据Numpy数组的优势
Numpy数组通常是由相同种类的元素组成的，即数组中的数据项的类型一致。这样有一个好处，由于知道数组元素的类型相同，所以能快速确定存储数据所需空间的大小。Numpy数组能够运用向量化运算来处理整个数组，速度较快；而Python的列表则通常需要借助循环语句遍历列表，运行效率相对来说要差。Numpy使用了优化过的C API，运算速度较快关于向量化和标量化运算，对比下面的参考例子就可以看出差异
使用python的list进行循环遍历运算 def pySum(): a = list(range(10000)) b = list(range(10000)) c = [] for i in range(len(a)): c.append(a[i]**2 + b[i]**2) return c %timeit pySum() 10 loops, best of 3: 49.4 ms per loop 使用numpy进行向量化运算 import numpy as np def npSum(): a = np.arange(10000) b = np.arange(10000) c = a**2 + b**2 return c %timeit npSum() The slowest run took 262.56 times longer than the fastest. This could mean that an intermediate result is being cached. 1000 loops, best of 3: 128 µs per loop从上面的运行结果可以看出，numpy的向量化运算的效率要远远高于python的循环遍历运算（效率相差好几百倍）。 （1ms=1000µs）
首先需要导入numpy库，在导入numpy库时通常使用“np”作为简写，这也是Numpy官方倡导的写法。
当然，你也可以选择其他简写的方式或者直接写numpy，但还是建议用“np”，这样你的程序能和大都数人的程序保持一致。
import numpy as np创建ndarray数组的方式有很多种，这里介绍我使用的较多的几种：
Method 1: 基于list或tuple
# 一维数组 # 基于list arr1 = np.array([1,2,3,4]) print(arr1) # 基于tuple arr_tuple = np.array((1,2,3,4)) print(arr_tuple) # 二维数组 (2*3) arr2 = np.array([[1,2,4], [3,4,5]]) arr2 [1 2 3 4] [1 2 3 4] array([[1, 2, 4], [3, 4, 5]])请注意：
一维数组用print输出的时候为 [1 2 3 4]，跟python的列表是有些差异的，没有“,”在创建二维数组时，在每个子list外面还有一个"[]"，形式为“[[list1], [list2]]”Method 2: 基于np.arange
# 一维数组 arr1 = np.arange(5) print(arr1) # 二维数组 arr2 = np.array([np.arange(3), np.arange(3)]) arr2 [0 1 2 3 4] array([[0, 1, 2], [0, 1, 2]])Method 3: 基于arange以及reshape创建多维数组
# 创建三维数组 arr = np.arange(24).reshape(2,3,4) arr array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]])请注意：arange的长度与ndarray的维度的乘积要相等，即 24 = 2X3X4
用numpy.random创建数组的方法，可以参考下面的文章
为什么你用不好Numpy的random函数？
其他创建ndarray的方法，各位小伙伴们自己可以研究下。Numpy的数值类型如下：
每一种数据类型都有相应的数据转换函数，参考示例如下：
np.int8(12.334) 12 np.float64(12) 12.0 np.float(True) 1.0 bool(1) True在创建ndarray数组时，可以指定数值类型：
a = np.arange(5, dtype=float) a array([ 0., 1., 2., 3., 4.])请注意，复数不能转换成为整数类型或者浮点数，比如下面的代码会运行出错
# float(42 + 1j)real属性返回数组的实部
d.real array([ 1.2, 2. ])imag属性返回数组的虚部
d.imag array([ 2., 3.]) flat属性，返回一个numpy.flatiter对象，即可迭代的对象。 e = np.arange(6).reshape(2,3) e array([[0, 1, 2], [3, 4, 5]]) f = e.flat f <numpy.flatiter at 0x65eaca0> for item in f: print(item) 0 1 2 3 4 5可通过位置进行索引，如下：
f[2] 2 f[[1,4]] array([1, 4])也可以进行赋值
e.flat=7 e array([[7, 7, 7], [7, 7, 7]]) e.flat[[1,4]]=1 e array([[7, 1, 7], [7, 1, 7]])下图是对ndarray各种属性的一个小结
一维数组的切片和索引与python的list索引类似。
a = np.arange(7) a array([0, 1, 2, 3, 4, 5, 6]) a[1:4] array([1, 2, 3]) # 每间隔2个取一个数 a[ : 6: 2] array([0, 2, 4])二维数组的切片和索引，如下所示：
插播一条硬广：技术文章转发太多。本文涉及的代码量比较多，如需要查看源代码，请在微信公众号“Python数据之道”（ID：PyDataRoad）后台回复关键字“2017026”。
函数resize（）的作用跟reshape（）类似，但是会改变所作用的数组，相当于有inplace=True的效果
ravel()和flatten()，将多维数组转换成一维数组，如下： b.ravel() array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) b.flatten() array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) b array([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]])两者的区别在于返回拷贝（copy）还是返回视图（view），flatten()返回一份拷贝，需要分配新的内存空间，对拷贝所做的修改不会影响原始矩阵，而ravel()返回的是视图（view），会影响原始矩阵。
参考如下代码：
用tuple指定数组的形状，如下： b.shape=(2,6) b array([[ 0, 1, 20, 3, 4, 5], [ 6, 7, 8, 9, 10, 11]]) 转置前面描述了数组转置的属性（T），也可以通过transpose()函数来实现
b.transpose() array([[ 0, 6], [ 1, 7], [20, 8], [ 3, 9], [ 4, 10], [ 5, 11]])hstack()
np.hstack((b,c)) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10], [ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]])column_stack()函数以列方式对数组进行叠加，功能类似hstack（）
np.column_stack((b,c)) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10], [ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]]) 垂直叠加vstack()
np.vstack((b,c)) array([[ 0, 1, 20, 3, 4, 5], [ 6, 7, 8, 9, 10, 11], [ 0, 2, 40, 6, 8, 10], [12, 14, 16, 18, 20, 22]])row_stack()函数以行方式对数组进行叠加，功能类似vstack（）
np.row_stack((b,c)) array([[ 0, 1, 20, 3, 4, 5], [ 6, 7, 8, 9, 10, 11], [ 0, 2, 40, 6, 8, 10], [12, 14, 16, 18, 20, 22]]) concatenate()方法，通过设置axis的值来设置叠加方向axis=1时，沿水平方向叠加
axis=0时，沿垂直方向叠加
np.concatenate((b,c),axis=1) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10], [ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]]) np.concatenate((b,c),axis=0) array([[ 0, 1, 20, 3, 4, 5], [ 6, 7, 8, 9, 10, 11], [ 0, 2, 40, 6, 8, 10], [12, 14, 16, 18, 20, 22]])由于针对数组的轴为0或1的方向经常会混淆，通过示意图，或许可以更好的理解。
关于数组的轴方向示意图，以及叠加的示意图，如下：
深度叠加
这个有点烧脑，举个例子如下，自己可以体会下：
arr_dstack = np.dstack((b,c)) print(arr_dstack.shape) arr_dstack (2, 6, 2) array([[[ 0, 0], [ 1, 2], [20, 40], [ 3, 6], [ 4, 8], [ 5, 10]], [[ 6, 12], [ 7, 14], [ 8, 16], [ 9, 18], [10, 20], [11, 22]]])叠加前，b和c均是shape为（2,6）的二维数组，叠加后，arr_dstack是shape为（2,6,2）的三维数组。
深度叠加的示意图如下：
跟数组的叠加类似，数组的拆分可以分为横向拆分、纵向拆分以及深度拆分。
涉及的函数为 hsplit()、vsplit()、dsplit() 以及split()
b array([[ 0, 1, 20, 3, 4, 5], [ 6, 7, 8, 9, 10, 11]]) 沿横向轴拆分（axis=1） np.hsplit(b, 2) [array([[ 0, 1, 20], [ 6, 7, 8]]), array([[ 3, 4, 5], [ 9, 10, 11]])] np.split(b,2, axis=1) [array([[ 0, 1, 20], [ 6, 7, 8]]), array([[ 3, 4, 5], [ 9, 10, 11]])] 沿纵向轴拆分（axis=0） np.vsplit(b, 2) [array([[ 0, 1, 20, 3, 4, 5]]), array([[ 6, 7, 8, 9, 10, 11]])] np.split(b,2,axis=0) [array([[ 0, 1, 20, 3, 4, 5]]), array([[ 6, 7, 8, 9, 10, 11]])] 深度拆分 arr_dstack array([[[ 0, 0], [ 1, 2], [20, 40], [ 3, 6], [ 4, 8], [ 5, 10]], [[ 6, 12], [ 7, 14], [ 8, 16], [ 9, 18], [10, 20], [11, 22]]]) np.dsplit(arr_dstack,2) [array([[[ 0], [ 1], [20], [ 3], [ 4], [ 5]], [[ 6], [ 7], [ 8], [ 9], [10], [11]]]), array([[[ 0], [ 2], [40], [ 6], [ 8], [10]], [[12], [14], [16], [18], [20], [22]]])]拆分的结果是原来的三维数组拆分成为两个二维数组。
这个烧脑的拆分过程可以自行分析下~~
常用的函数如下：
请注意函数在使用时需要指定axis轴的方向，若不指定，默认统计整个数组。
np.sum()，返回求和np.mean()，返回均值np.max()，返回最大值np.min()，返回最小值np.ptp()，数组沿指定轴返回最大值减去最小值，即（max-min）np.std()，返回标准偏差（standard deviation）np.var()，返回方差（variance）np.cumsum()，返回累加值np.cumprod()，返回累乘积值 b array([[ 0, 1, 20, 3, 4, 5], [ 6, 7, 8, 9, 10, 11]]) np.max(b) 20 # 沿axis=1轴方向统计 np.max(b,axis=1) array([20, 11]) # 沿axis=0轴方向统计 np.max(b,axis=0) array([ 6, 7, 20, 9, 10, 11]) np.min(b) 0 np.ptp()，返回整个数组的最大值减去最小值，如下： np.ptp(b) 20 # 沿axis=0轴方向 np.ptp(b, axis=0) array([ 6, 6, 12, 6, 6, 6]) # 沿axis=1轴方向 np.ptp(b, axis=1) array([20, 5]) np.cumsum()，沿指定轴方向进行累加 b.resize(4,3) b array([[ 0, 1, 20], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]]) np.cumsum(b, axis=1) array([[ 0, 1, 21], [ 3, 7, 12], [ 6, 13, 21], [ 9, 19, 30]], dtype=int32) np.cumsum(b, axis=0) array([[ 0, 1, 20], [ 3, 5, 25], [ 9, 12, 33], [18, 22, 44]], dtype=int32) np.cumprod()，沿指定轴方向进行累乘积 （Return the cumulative product of the elements along the given axis） np.cumprod(b,axis=1) array([[ 0, 0, 0], [ 3, 12, 60], [ 6, 42, 336], [ 9, 90, 990]], dtype=int32) np.cumprod(b,axis=0) array([[ 0, 1, 20], [ 0, 4, 100], [ 0, 28, 800], [ 0, 280, 8800]], dtype=int32)当数组跟一个标量进行数学运算时，标量需要根据数组的形状进行扩展，然后执行运算。
这个扩展的过程称为“广播（broadcasting）”
b array([[ 0, 1, 20], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]]) d = b + 2 d array([[ 2, 3, 22], [ 5, 6, 7], [ 8, 9, 10], [11, 12, 13]])numpy涵盖的内容其实是非常丰富的，本文仅仅介绍了numpy一些常用的基本功能，算是对numpy的一个入门级的简单的较为全面的描述。
numpy官方的《Numpy Reference》文档，光页面数量就有1500+页，如想要系统的学习numpy，建议仔细阅读官方的参考文档，可在其官方网站进行查阅。当然，资料都是英文版的，可能看起来难度稍微大点，看习惯了就好。
作者：leenard 链接：https://www.jianshu.com/p/60bf50100c2f
