2020，努力做一个无可替代的人！
写在前面的话
依照惯例，回顾一下上节内容：
上节介绍了最常用的部分高阶函数，也是我在实际项目中觉得效率比较高的函数之一了。
附上链接，大家自行复习：
今天开始新的系列，也是高阶部分的知识，难度会稍稍大一些，我打算多分几节。
哈哈，高阶部分我是没打算水文章，篇篇都是干货呦
建议不要错过任何一节内容，最好关注一下我噢
正文
背景
NumPy（Numerical Python 的简称）是高性能科学计算和数据分析的基础包，是 SciPy、Pandas 等数据科学的基础库，它所提供的数据结构比 Python 自身的更高级、更高效。
Numpy 提供了一种 ndarray 的多维数组结构，运算快速且节省空间。
思考一个问题，同样是多维数组，为什么不用 List 呢？
① 虽然 Python 中隐去了指针的概念，但学过 c 语言的同学应该了解，数组中保存的是对象的指针，list 也是，因为 list 本身也是一个数组。
这样的话，比如一个数组 ['a', 'b', 'c'] 需要有3个指针和3个字符对象，太浪费
② list 中的元素在系统内存中是分散存储的，而 ndarray 是存储在一个连续均匀的内存块中。
上面的回答如果你不是很懂，那你记住一点就行了：ndarray 无论是存储还是计算，都大大优于 Python 原有的数据结构。
像我们平时 excel 中打开的数据大多是二维数组，有行有列
ndarray 也可以同样理解，区别的是：ndarray 中的所有元素必须是相同类型的。
安装 NumPy 包
和安装其他基础包一样，直接在 cmd 中安装即可。
pip2 表示 2.x 版本，pip3 表示 3.x 版本
启动cmd
输入 pip3 install numpy
导入 NumPy
import numpy as np
这里需要提到一点，你可以不按照 NumPy 约定的写 np. 而直接在代码中使用 from numpy import *
但是非常不建议你这样做。
创建 ndarray
- 使用 array 函数创建数组
- 使用 arange 函数创建数组
- 使用 zeros、ones 函数创建数组
- 使用 empty 函数创建数组
- 使用 eye 函数创建数组
数组的创建方法有很多种，以上列举的只是部分较常见的。
最简单的当然还是使用 array 函数。
# 通过 array 函数创建一维数组
data_list = [0, 1, 2, 3, 4, 5]
data_arr1 = np.array(data_list)
# 通过 array 函数创建二维数组
data_list = [[1.1, 3.1, 2.1], [3.2, 4.2, 5.2]]
data_arr2 = np.array(data_list)
# 通过 reshape 方法重新构造数组
data_arr3 = np.array(range(0, 6)).reshape(2, 3)
同样是创建数组，np.array 会尝试为新建的这个数组推断出一个较为合适的数据类型。
数据类型保存在一个特殊的 dtype 对象中，比如上面我们创建的三个数组：
# 输出数组的数据类型
data_arr1.dtype
data_arr2.dtype
data_arr3.dtype
# 输出
int32
float64
int32
可以看到，NumPy 自动的为我们选择了一个合适的数据类型。
当然，你也可以显示的说明数据类型：(更多数据类型继续往下看)
# 显示的声明数据类型，float类型数据会自动转换为 int
data_list = [[1.1, 3.1, 2.1], [3.2, 4.2, 5.2]]
data_arr4 = np.array(data_list, dtype=np.int)
# 输出
[[1 3 2]
[3 4 5]]
使用 arange 函数创建数组
arange 是 Python 内置函数 range 的数组版，但返回的是一个 ndarray 而不是列表
# 使用 arange 函数创建数组
data_arr_5 = np.arange(0, 6)
# 输出
[0 1 2 3 4 5]
使用 zeros 函数创建数组
zeros 可以创建指定长度和形状的全0数组，类似的还有 zeros_like 函数
zeros_like：以另一个数组为参数，并根据其形状和 dtype 创建一个全0数组。
# 通过 zeros 函数创建一维数组
data_arr6 = np.zeros(6)
# 输出
[0. 0. 0. 0. 0. 0.]
# 通过 zeros 函数创建二维数组
data_arr7 = np.zeros((2, 3))
# 输出
[[0. 0. 0.]
[0. 0. 0.]]
# 通过 zeros_like 函数创建函数
data_arr8 = np.zeros_like(data_arr7)
# 输出
[[0. 0. 0.]
[0. 0. 0.]]
使用 ones 函数创建数组
ones 函数类似 zeros 函数，不用的是 ones 创建一个全1数组，ones_like 同理
# 通过 ones 函数创建函数
data_arr9 = np.ones(6)
# 输出
[1. 1. 1. 1. 1. 1.]
使用 empty 函数创建数组
empty 函数会产生一个全0数组。
需要注意的是，大多情况下，它返回的是一些未初始化的垃圾值，而并不是 0
# 通过 empty 函数创建函数
data_arr10 = np.empty((2, 2))
# 输出
[[9.90263869e+067 8.01304531e+262]
[2.60799828e-310 7.56601164e-307]]
使用 eye 函数创建数组
eye 函数会产生一个正方的 N*N 单位矩阵
单位矩阵：对角线为1， 其余为0
# 通过 eye 函数创建函数
data_arr11 = np.eye(4)
# 输出
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
以上差不多是最常用的 NumPy 创建数组的几种方式。
我们在创建的时候可以显示的通过 dtype 声明数据类型，当然，NumPy 也可以自动识别并进行相应的转换。
提到数据类型，我们看一下 NumPy 的一些数据类型
| 类型 | 类型代码 | 说明 |
|---|---|---|
| int8、unit8 | i1、u1 | 有符号和无符号的8位整型 |
| int16、unit16 | i1、u1 | 有符号和无符号的16位整型 |
| int32、unit32 | i1、u1 | 有符号和无符号的32位整型 |
| int64、unit64 | i1、u1 | 有符号和无符号的64位整型 |
| float16 | f2 | 半精度浮点数 |
| float32 | f4 或 f | 标准的单精度浮点数 |
| float64 | f8 或 d | 标准的双精度浮点数 |
| float128 | f16 或 g | 扩展精度浮点数 |
| complex64、complex128、complex256 | c8、c16、c32 | 分别用两个32、64、128位浮点数表示的复数 |
| bool | ？ | 存储 True 和 False 值的布尔类型 |
| object | O | Python 对象类型 |
| string_ | S | 固定长度的字符串类型 |
| unicode_ | U | 固定长度的 unicode 类型 |
所以，在显示声明数据类型的时候，也可以通过类型代码进行声明：
# 通过类型或类型代码显示声明数据类型
data_arr_float = np.array([0, 1, 2, 3, 4, 5], dtype=np.float64)
data_arr_float = np.array([0, 1, 2, 3, 4, 5], dtype='f8')
NumPy 中，可以通过创建的时候显示声明数据类型，还可以通过 astype 方法显示的转换其 dtype：
例如，将整数类型转换成浮点类型
# 创建 int 数组
data_arr_int = np.array([0, 1, 2, 3, 4, 5])
data_arr_int.dtype
# 输出
int32
# 通过 dtype 函数转换数据类型
data_arr_float = data_arr_int.astype(np.float64)
data_arr_float.dtype
# 输出
float64
如果是浮点数转换为整数，则小数部分将会被截断
另外， NumPy 会自动将 Python 类型映射到等价的 dtype 上。
例如你写了 float，Numpy 会自动识别为 np.float64。
总结一下：
NumPy 的第一篇文章，简单的介绍了如何创建数组、NumPy 数据类型以及不同类型之间的转换。
比较基础，有一个大致的认识就好了。
NumPy 作为最基础的基础，当然我是建议大家都会的，通过创建数组的方法你就能看到，NumPy 和线性代数有很大联系，在以后的算法推导方面，有很大用处。。
但是也不是说必须要都懂，知道有这个东西就行，遇到问题了再回过头翻文章查阅一下。
写在后面的话
基础的东西是有点枯燥乏味的，我尽可能的按照正常的思维逻辑去展开描述。
比如 NumPy 开头，我没有一开始就上干货内容，
正常人的思维逻辑应该是：为什么要学这个？有什么用？怎么学？
所以文章一开始，我是按照上面的三个问题为主线的，这也是我在学习编程的时候自己的一点心得，希望你们喜欢。
碎碎念一下
最全的干货已经开始了，大家不要掉队啊。
让我看看有多少人还看到了这儿？点个赞让我看到你
原创不易，欢迎点赞噢
文章首发：公众号【知秋小梦】
文章同步：掘金，简书
