我一遍又一遍地强调数据操作的重要性。
数据操作是数据科学和机器学习中几乎所有其他事情的基础。
因此，要成为一名伟大的数据科学家，你的首要目标之一应该是掌握数据处理工具。
如果你在Python中进行数据操作，这意味着你需要学习Numpy。
Numpy在很多方面都很简单，但很多人还是在它上面卡住了。
所以在这篇文章中，我将给你5个提示来帮助你学习Numpy。
1: 使用80/20规则
Numpy是一个非常强大的工具箱。
它如此强大的原因之一是Numpy包内有大量的工具和技术。
我不知道确切的数字，但Numpy系统内可能有远远超过100个函数、方法和工具。
但这也带来了一个问题。
有很多东西可能需要学习。
你可以很容易地跳进Numpy的兔子洞，并试图学习所有东西。
这是个糟糕的策略。
当你学习Numpy时，少量的工具会占你代码的绝大部分。
这就是80/20规则的一个例子。 你可能已经听说过这个了。
根据80/20规则，80%的输出来自20%的输入。
80/20法则适用于各种事物，在大多数情况下，它也适用于Numpy。
尽管Numpy中有100多个函数和方法，但你实际上可能只使用其中的几十个。
你应该不遗余力地学习和掌握那些常用的技术。
(我将在接下来的章节中指出其中的大部分。）
2: 学习数组的结构方式
那么，现在让我们来谈谈Numpy的一些具体内容。
你需要知道的第一件也是最重要的一件事就是Numpy数组是如何结构的。
让我们从基础知识开始。
Numpy数组是保存数字数据的数据结构。 它们可以有一维、二维或多维。
所以它们与数学和线性代数中的向量和矩阵非常相似。
重要的是，你总是需要注意你所处理的数组的形状（即行、列等的数量）。
这是因为一些Numpy函数的变化取决于你所处理的数组的形状。 例如，当你使用Numpy乘法和Numpy除法时，如果你有两个相同大小的数组和两个不同大小的数组，这些函数的工作方式会有所不同。
说到这里，你可以用size 和shape 属性检查大小和形状。
例如，如果你有一个名为my_array 的数组，你可以用my_array.shape 来检查其形状。
3: 学习Numpy轴
你还需要学习Numpy轴的知识。
Numpy数组中的轴与笛卡尔、x/y/z坐标系中的轴非常相似。 请记住，在笛卡尔坐标系中，我们可以通过它沿x轴的位置和沿y轴的位置来识别空间中的一个点。
Numpy中的轴是非常相似的。
与笛卡尔坐标系中的很相似，Numpy的轴是方向。 你可以把它们想象成沿着数组边缘的方向。
例如，在一个二维数组中，轴0指向下方，轴1指向对面。
这一点很重要，有几个原因。
首先，这些轴使你能够定位阵列中的单个单元。 要做到这一点，你需要知道哪个轴是指行，哪个轴是指列，等等。
其次，许多Numpy函数可以在一个特定的方向（即沿着一个特定的轴）操作。 例如，Numpy的sum可以沿着特定的轴操作，计算行和和列。
这一点我怎么强调都不为过。Numpy的轴会反复出现。 它们是Numpy系统中最重要的东西之一。
4: 学习重要的数组创建方法
一旦你了解了数组结构和数组轴的要点，你就需要知道如何创建数组。
创建Numpy数组的方法有很多很多，但我最常使用的是：
- Numpy数组函数
- Numpy arange
- Numpy linspace
- numpy ones和Numpy zeroes
- 一些Numpy的随机函数，如Numpy random normal和Numpy random choice。
说白了，正如我之前提到的，Numpy有很多数组创建方法。 有用各种属性的随机数创建数组的方法。 有用从各种概率分布中抽取的数字创建数组的技术。 我可以继续说下去。
但在开始时，你需要关注最常用的技术。 记住：80/20。
5：学习如何重塑数组
一旦你有一个带有一些数字的数组，需要以某种方式重塑数组是非常常见的。
例如，你可能有一个一维数组，你想把它重塑为二维。 或者反之亦然。
一旦你知道如何做，这是很容易的，但它会反复出现，所以你应该尽早学习它。
6: 学习Numpy聚合技术
接下来，你应该学习一些数组聚合技术。
最常见和最重要的是：
- Numpy sum
- Numpy mean
- Numpy中位数
- Numpy min
- Numpy max
当你需要通过计算汇总统计数据来分析你的数组中的数字时，你通常会使用这些技术。
我想指出的是，当你使用这些汇总函数时，Numpy轴特别重要。 这是因为你经常需要计算列统计和行统计（例如，行平均值等）。
7: 学习Numpy数组数学
最后，学习一些基本的数组数学。
至少，你应该知道如何对数组进行加减法（使用np.add和np.subtract）。
你也应该知道一些简单的数学函数来操作数组中的各个元素，如np.power、np.log和np.exp。
你可能还想学习一下Numpy的点积和其他线性代数操作。 这些对于机器学习和深度学习都很有用。 说了这么多，它们略显高级，你可能在一开始就能避免它们。
在这篇文章中，我试图将Numpy提炼成最重要的东西，以便你能更快地学习Numpy。我试图解释最重要、最常用的技术和概念，你应该首先关注这些技术和概念。
