numpy

Numpy其实是最早的处理数据的Python库，它的核心ndarray对象，是一个高效的n维数组结构。 通过这个库，可以高效的完成向量和矩阵运算，由于其出色的性能，很多其他的数据分析，科学计算或者机器

NumPy（Numerical Python）是一个Python库，主要用于高效地处理多维数组和矩阵计算。它是科学计算领域中使用最广泛的一个库。 在NumPy中，数组是最核心的概念，用于存储和操作数据

numpy作为一个强大的数值计算库，提供了对多维数组的很多便捷操作。 承接上一篇数组的创建，本篇主要介绍一些数组的基本操作。 1. 子数组 首先介绍获取子数组的方法，提取已有数据的一部分来参与计算是比

numpy提供了简单灵活的接口，用于优化数据数组的计算。 通用计算最大的优势在于通过向量化操作，将循环推送至numpy之下的编译层，从而取得更快的执行效率。 numpy的通用计算让我们计算数组时就像计

上一篇介绍的通用计算是关于多个numpy数组的计算， 本篇介绍的聚合计算一般是针对单个数据集的各种统计结果，同样，使用聚合函数，也可以避免繁琐的循环语句的编写。 1. 元素的和 数组中的元素求和也就是

numpy的广播计算是指在多维数组上进行的一种高效计算方式。 它可以将计算任务分配到每个维度上，并且可以在计算过程中进行数据共享和同步，从而提高计算效率和精度。 广播计算在数值计算、科学计算、机器学习

在numpy中，数组可以看作是一系列数值的有序集合，可以通过下标访问其中的元素。 处理数组的过程中，经常需要用到数组过滤功能。 过滤功能可以在处理数据时非常有用，因为它可以使数据更加干净和可读性更强。

数组索引是指在numpy数组中引用特定元素的方法。 numpy的数组索引又称为fancy indexing，比其他编程语言的索引强大很多。 1. 选取数据 numpy的索引除了像其他语言一样选择一个元

numpy 数组通常是用于数值计算的多维数组，而排序功能可以快速、准确地对数据进行排序，从而得到更加清晰、易于分析的结果。 在数据分析和处理过程中，常常需要对数据进行排序，以便更好地理解和发现其中的规

目前为止，介绍的numpy数组基本都是关于数值的，其实，numpy本身就是一个用于数值计算的基础库。 不过，除了数值计算之外，numpy也能够支持结构化数组。 1. 关联不同类型数据 numpy的数组