本文目录一览：
- 1、Python—Numpy库的用法
- 2、python numpy是什么库
- 3、图解Python中数据分析工具包：Numpy
- 4、python里怎样装numpy
- 5、问一下Python里的numpy的正确读法是什么?
Python—Numpy库的用法
NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。
NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。
[('age', 'i1')]
[10 20 30]
[('abc', 21, 50.0), ('xyz', 18, 75.0)]
每个内建类型都有一个唯一定义它的字符代码：
[[1, 2] [3, 4] [5, 6]]
[[[ 0, 1, 2] [ 3, 4, 5] [ 6, 7, 8] [ 9, 10, 11]] [[12, 13, 14] [15, 16, 17] [18, 19, 20] [21, 22, 23]]]
[1 2 3]
[1 2 3]
[(1, 2, 3) (4, 5)]
原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
修改后的数组是： 0 5 10 15 20 25 30 35 40 45 50 55
原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
原始数组的转置是： [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]]
修改后的数组是： 0 5 10 15 20 25 30 35 40 45 50 55
C风格是横着顺序
F风格是竖着的顺序
原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
修改后的数组是： [[ 0 10 20 30] [ 40 50 60 70] [ 80 90 100 110]]
第一个数组： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
第二个数组： [1 2 3 4]
修改后的数组是： 0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4
原始数组： [[0 1 2 3] [4 5 6 7]]
调用 flat 函数之后： 5
原数组： [[0 1 2 3] [4 5 6 7]]
展开的数组：默认是A [0 1 2 3 4 5 6 7]
以 F 风格顺序展开的数组： [0 4 1 5 2 6 3 7]
原数组： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]
转置数组： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]
python numpy是什么库
NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了CPython的GIL（全局解释器锁），运行效率极好，是大量机器学习框架的基础库！
相关推荐：《Python基础教程》
NumPy的全名为Numeric Python，是一个开源的Python科学计算库，它包括：
·一个强大的N维数组对象ndrray；
·比较成熟的（广播）函数库；
·用于整合C/C++和Fortran代码的工具包；
·实用的线性代数、傅里叶变换和随机数生成函数。
NumPy的优点：
·对于同样的数值计算任务，使用NumPy要比直接编写Python代码便捷得多；
·NumPy中的数组的存储效率和输入输出性能均远远优于Python中等价的基本数据结构，且其能够提升的性能是与数组中的元素成比例的；
·NumPy的大部分代码都是用C语言写的，其底层算法在设计时就有着优异的性能，这使得NumPy比纯Python代码高效得多。
当然，NumPy也有其不足之处，由于NumPy使用内存映射文件以达到最优的数据读写性能，而内存的大小限制了其对TB级大文件的处理；此外，NumPy数组的通用性不及Python提供的list容器。因此，在科学计算之外的领域，NumPy的优势也就不那么明显。
图解Python中数据分析工具包：Numpy
numpy是我学习python遇到的第一个第三方工具包，它可以让我们快速上手数据分析。numpy提供了向量和矩阵计算和处理的大部分接口。目前很多python的基础工具包都是基于numpy开发而来，比如 scikit-learn, SciPy, pandas, 还有 tensorflow。 numpy可以处理表格、图像、文本等数据，极大地方便我们处理和分析数据。本文主要内容来自于Jay Alammar的一篇文章以及自己学习记录。
原文地址：
使用过程中，如果希望 Numpy 能创建并初始化数组的值， Numpy 提供了 ones()、zeros() 和 random.random() 等方法。只需传递希望生成的元素数量（大小）即可：
还可以进行如下操作：
一般，需要数组和单个数字之间也可以进行运算操作（即向量和标量之间的运算）。比如说 data * 1.6 ，numpy利用一个叫做广播机制（broadcasting）的概念实现了这一运算。：
我们可以通过索引对numpy数据获取任意位置数据或者对数据切片
我们可以通过numpy自带的函数对数据进行一些想要的聚合计算，比如min、max 和 sum ，还可以使用 mean 得到平均值，使用 prod 得到所有元素的乘积，使用 std 得到标准差等等。
上述操作不仅可以应用于单维度数据，还可以用于多维度数据{（矩阵）。
同样可以使用ones()、zeros() 和 random.random()创建矩阵，只要写入一个描述矩阵维数的元组即可：
numpy还可以处理更高维度的数据：
创建更高维度数据只需要在创建时，在参数中增加一个维度值即可：
根据数组中数值是否满足条件，输出为True或False.
希望得到满足条件的索引，用np.where函数实现.
根据索引得到对应位置的值.
np.where也可以接受另两个可选择的参数a和b。当条件满足时，输出a，反之输出b.
获取数组最大值和最小值的索引可以使用np.argmax和np.argmin.
1、numpy.tofile()和numpy.fromfile()
保存为二进制格式，但是不保存数组形状和数据类型， 即都压缩为一维的数组，需要自己记录数据的形状，读取的时候再reshape.
2、numpy.save() 和 numpy.load()
保存为二进制格式，保存数组形状和数据类型， 不需要进行reshape
实例：
3、numpy.savetxt()和numpy.loadtxt()
np.savetxt(fname,array,fmt=’%.18e’,delimiter=None)
Parameter解释：
array:待存入文件的数组。
fmt:写入文件的格式
实例：
python里怎样装numpy
因为对机器学习算法进行实战的话，python语言是必须的，所以前几天进行了安装和配置。说实话，相比较其他的编程语言的IDE来讲，python本身问题不大，但是因为要有很多的矩阵的计算，所以要安装numpy包！但是这个过程在我的电脑上出现了比较大的问题，所以，将这一过程记录下来，万一以后电脑出现了问题重新安装的话还能做参考！！
声明电脑配置： win7 64位
python安装版本：Python 2.7 (也可以是python3.x 本人不习惯用最新的版本，所以选择了2.7）
1.下载 对应版本numpy 的.whl文件 (注意：我的电脑确实是64位的，而且python也安装的64位版本的，但是在之后的命令行安装的时候压根安装不了64位的，到后面再说）
2.将下载的安装包拷贝到python安装目录下的scripts目录下，我的是C:\Python27\Scripts ，然后我们打开命令行窗口，进入python的安装目录之后
输入 pip install "numpy-1.11.2+mkl-cp35-cp35m-win-amd64.whl" ,但是此时我的电脑是提示了问题的，之后通过查资料发现应该得先安装pip,所以还是上面的那个路径直接找
到pip的wheel文件下载。
将下载的压缩包解压后拷贝到刚才的scripts目录下。然后在命令行输入 python setup.py install 对pip进行安装。安装之后在命令行输入pip，此时还会提示pip不是内部命令，所以可以将刚才的scripts的路径加入到环境变量中去
3.在安装完pip之后，我进行numpy的安装的时候还是有问题，然后又在上面的路径找到了wheel文件的下载
同样是将wheel文件拷贝到scripts目录下，在命令行的该目录下输入 pip install wheel
如图显示wheel文件也已经安装好了。
4.最后进行我们终极目标numpy的安装 ，此时在命令行输入pip install "numpy-1.11.3+mkl-cp27-cp27m-win_amd64.whl" 注意：这个是我的numpy名字，根据自己的文件名字来写。注意：此时我的计算机位数是匹配的，按理来讲肯定能安装上，但是就是提示我不符
为此我换了好几个序号的64位版本，但是都是这一个结果。鼓捣了好久，我抱着死马当活马医的态度下了个32位的，结果立马就安上了！！！我还能说什么！手动哭~~~
问一下Python里的numpy的正确读法是什么?
numpy 读法是:英['nʌmpi]，NumPy是Python中科学计算的基础包。
它是一个Python库，提供多维数组对象，各种派生对象(如掩码数组和矩阵)，以及用于数组快速操作的各种例程，包括数学逻辑，形状操作，I / O离散傅立叶变换，随机模拟等等。
NumPy包的核心是ndarray对象。这封装了同构数据类型的n维数组，许多操作在编译代码中执行以提高性能。
NumPy数组和标准Python序列之间有几个重要的区别：
1、NumPy数组在创建时具有固定大小，与Python列表(可以动态增长)不同。更改ndarray的大小将创建一个新数组并删除原始数组。
2、NumPy数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。例外：可以有(Python，包括NumPy)对象的数组，从而允许不同大小的元素的数组。
3、NumPy数组有助于对大量数据进行高级数学和其他类型的操作。通常，与使用Python的内置序列相比，这些操作的执行效率更高，代码更少。
4、越来越多的基于Python的科学和数学软件包正在使用NumPy数组；虽然这些通常支持Python序列输入，但它们在处理之前将这些输入转换为NumPy数组，并且它们通常输出NumPy数组。
