numpy和pandas好坏常强盛的科学盘算和数据分析工具，在算法方面也有着广泛应用。
将来笔者会通过两个系列先容numpy和pandas的根本使用，内容但求过细，算是对过往所学的总结。本篇将从numpy开始，熟悉下这个非常强盛的科学盘算模块。
安装numpy
windows：pip install numpy
其他体系，百度一下
什么是numpy？
如刚才所说，numpy是一个科学盘算模块，numpy对象（称为array对象）中每个元素的数据范例都类似。使用numpy的盘算非常高效，我们来看两个例子：
【例1】
定义一个包罗一千万个数字的list，每个数字都加1。使用For循环和使用numpy 举行盘算，来对比淹灭的时间：
li = [i for i in range(10000000)]ali = numpy.array(li)st1 = time.time()for index, item in enumerate(li): # enumereate()摆列方法 li[index] = item + 1st2 = time.time()ali = ali + 1 # 直接对每个元素 +1st3 = time.time()print(f'For循环：加一后的首个元素：{li[0]}，末了元素：{li[-1]}，数组长度：{len(li)}，耗时：{st2-st1}秒。')print(f'numpy：加一后的首个元素：{ali[0]}，末了元素：{ali[-1]}，数组长度：{len(ali)}，耗时：{st3-st2}秒。')# 运行结果：For循环：加一后的首个元素：1，末了元素：10000000，数组长度：10000000，耗时：1.5949997901916504秒。numpy：加一后的首个元素：1，末了元素：10000000，数组长度：10000000，耗时：0.019999980926513672秒。【例2】
对上个例子中的list举行求和利用：
li = [i for i in range(10000000)]ali = numpy.array(li)st1 = time.time()res1 = sum(li)st2 = time.time()res2 = ali.sum(dtype=numpy.int64) # 由于数组过大，需要指定array对象的数据范例，否则求和值超出元素的数据范例时会导致盘算结果堕落。st3 = time.time()print(f'平凡求和结果：{res1}，耗时：{st2-st1}秒。')print(f'numpy求和结果：{res2}，耗时：{st3-st2}秒。')# 运行结果：平凡求和结果：49999995000000，耗时：0.24000000953674316秒。numpy求和结果：49999995000000，耗时：0.00800013542175293秒。可以看到，numpy处置处罚数组的服从团体比平凡的python运算快了近百倍。
但numpy的代价远不止于此。array对象基于固定的数字范例盘算，其本质是由一个或多个数组构成的数字矩阵，既然是矩阵，分析array对象可以是一组或多组的数，这就是维度的概念。
创建一个numpy对象
我们通过numpy.array(object)方法创建一个array数组对象：
array_1d = numpy.array([1,3,5,7]) # array()方法创建array_2d = numpy.array([[1,3,5,7],[2,4,6,8]])array_3d = numpy.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])# 一维（1darray）:shape = (4列)[1 3 5 7]# 二维（2darray）:shape = (2行，4列) [[1 3 5 7] [2 4 6 8]]# 三维（3darray）:shape = (2维，2行，3列)[[[ 1 2 3] [ 4 5 6]] [[ 7 8 9] [10 11 12]]]原则上，array对象的元素应是数字，但numpy同样支持创建str。
创建前python会查验元素范例，再给出可以大概包罗全部元素的数据格式。
来看一个例子：
import numpy as npli_1 = [1, 3]li_2 = [1, True] # bool同时对应int范例的1, 0li_3 = [False, True]li_4 = [1, 3.279]li_5 = [1, 'hello']list_pool = [li_1, li_2, li_3, li_4, li_5]for i in list_pool: ali = np.array(i) print(f'数据内容：{ali}，范例：{ali.dtype}')# 运行结果：数据内容：[1 3] ，范例：int32数据内容：[1 1] ，范例：int32数据内容：[False True]，范例：bool数据内容：[1. 3.279]，范例：float64数据内容：['1' 'hello']，范例：<U11检察array对象的一些根本属性：
array_2d = numpy.array([[1,3,5,7],[2,4,6,8]])print(array_2d)print(f'array_2d对象的shape：{array_2d.shape}')print(f'array_2d对象的dtype范例：{array_2d.dtype}')print(f'array_2d对象的维度数：{array_2d.ndim}')# 运行结果：[[1 3 5 7] [2 4 6 8]]array_2d对象的shape：(2, 4)array_2d对象的dtype范例：int32array_2d对象的维度数：2创建随机、全零、全1数组：
empty_array = numpy.empty((3,2), dtype=numpy.int32) # 创建并非空值，而是指定命据范例的随机数字zeros_array = numpy.zeros((3,2), dtype=numpy.int32)ones_array = numpy.ones((3,2), dtype=numpy.int32)print(empty_array)print('*'*20)print(zeros_array)print('*'*20)print(ones_array)# 运算结果：[[-1201405844 2046] [-1201393040 2046] [ 5439567 69]]********************[[0 0] [0 0] [0 0]]********************[[1 1] [1 1] [1 1]]知识增补：
上面【例2】中提到的dtype范例不对，数据运算时大概引发盘算结果堕落，是由于定义一个array对象时如果不指定命据范例，会根据元素值的巨细（字节数）自动默认一种数据范例， 且求和的值服从该数据范例。
如果某个array数组中存在的值相称多，和值的上限超出该数据范例的上限时，盘算结果每每会堕落。
ali1 = numpy.array([1,3,5,7])ali2 = numpy.array([i for i in range(10000000)])ali3 = numpy.array([0.3,1.00,0.0079])print(f'ali1数据范例：{ali1.dtype}\nali2数据范例：{ali2.dtype}\nali3数据范例：{ali3.dtype}')print(f'ali2未指定命据范例，直接求和的结果为：{ali2.sum()},和的数据范例：{type(ali2.sum())}')# 运算结果：ali1数据范例：int32ali2数据范例：int32ali3数据范例：float64ali2未指定命据范例，直接求和的结果为：-2014260032,和的数据范例：<class 'numpy.int32'>办理办法就是定义对象或举行求和利用时，定义一个更为符合的数字范例。
# 定义对象时指定命据范例ali2 = numpy.array([i for i in range(1000000)], dtype=numpy.int64)# 或，求和时制定命据范例ali3 = numpy.array([i for i in range(1000000)])res3 = ali3.sum(dtype=numpy.int64)print(f'ali2求和的结果为：{ali2.sum()},和的数据范例：{ali2.sum().dtype}')print(f'ali3求和的结果为：{res3},和的数据范例：{res3.dtype}')# 运行结果：ali2求和的结果为：499999500000,和的数据范例：int64ali3求和的结果为：499999500000,和的数据范例：int64对numpy的熟悉到这里就差不多了，将来会进一步学习numpy的常用利用。
附：numpy数据范例：
|
