Numpy 中文用户指南 1. 安装

译者：飞龙

1.1 NumPy 是什么？

原文：What is NumPy?

NumPy是Python中用于科学计算的基础包。它是一个Python库，提供多维数组对象，各类派生的对象（如掩码数组和矩阵），以及数组快速操做的各类各样的例程，包括数学、逻辑、图形操做，排序、选择、I/O、离散傅里叶变换、基本线性代数、基本统计操做，随机模拟以及其余。

NumPy包的核心是ndarray对象。它封装了均匀数据类型的n维数组，带有一些在编译过的代码中执行的操做。NumPy数组和Python标准列表有一些重要的差别：

• NumPy数组在建立时有固定的大小，不像Python列表（可动态增加）。改变一个ndarray的大小将建立一个新数组，并删除原有数组。

• NumPy数组中的元素都必须是相同的数据类型，从而具备相同的内存大小。但有个例外：（Python，包括NumPy）对象数组的元素大小是不一样的。

• NumPy数组使大量数据上的高级数学运算和其余类型的操做变得容易。一般状况下，这样的操做可能比使用Python的内置列表效率更高，执行的代码更少。

• 愈来愈多的基于Python的科学和数学包使用NumPy数组；虽然它们一般支持Python列表做为输入，但他们会在处理以前将这些输入转换为NumPy数组，并老是输出NumPy数组。换句话说，为了高效使用许多（也许甚至是大多数）当今基于Python的科学/数学软件，只要知道如何使用Python的内置列表类型是不够的————你还须要知道如何使用NumPy数组。

序列大小和速度在科学计算中尤其重要。例如考虑两个长度相同的列表中每一个元素相乘的状况。若是数据被存储在两个Python列表 a 和 b 中，咱们能够这样遍历每一个元素：

c = []
for i in range(len(a)):
    c.append(a[i]*b[i])

这就产生了正确的答案，但若是 a 和 b 都含有数以百万计的数字，咱们将为Python的低效循环付出代价。咱们能够这样以C语言编写代码来完成一样的任务（为清楚起见咱们忽略变量声明和初始化、内存分配等）：

for (i = 0; i < rows; i++): {
  c[i] = a[i]*b[i];
}

这节省了全部涉及解释Python代码和操做Python对象的开销，但没有了使用Python编码的优点。此外，编码所需的工做量随数据维数的增长而增长。例如对于一个二维数组，C代码（像上面同样简写）会扩展为：

for (i = 0; i < rows; i++): {
  for (j = 0; j < columns; j++): {
    c[i][j] = a[i][j]*b[i][j];
  }
}

NumPy综合了两种状况的优势：元素级别的操做是ndarray的“默认模式”，而它又经过执行预编译的C代码来加速。在NumPy中：

c = a * b

的行为像以前的例子同样，几近于C语言的速度，可是代码正如咱们指望中的那样，就像标准的Python同样简洁。实际上，NumPy的风格还能更简洁！最后这个例子说明了NumPy的两个特性：向量化（Vectorization）和广播（Broadcasting），它们是NumPy强大之处的基础。

向量化用于描述任何缺失的显式循环、索引及其它，在代码这些事情是即时发生的，固然，是在“幕后”（预编译的C代码中）优化。向量化编码的优势不少，好比：

• 向量化的代码更简洁易读

• 代码更少通常意味着更少的错误

• 代码更像标准的数学符号（一般状况下，更容易编写数学结构）

• 向量化的结果更加“Pythonic”。没有向量化，咱们的代码会更加低效，循环也难以阅读。

广播是描述隐式的元素级操做的术语；通常来讲，NumPy中全部操做，并不仅是算术运算，还有逻辑运算，位运算，函数运算等，以这种隐式的元素层面的方式执行，就是广播。此外，在上面的例子中，a 和 b 能够是相同形状的多维数组，或者一个标量和一个数组；甚至能够是不一样的形状的2个数组，假设较小的数组能够以产生明确广播的方式，扩展为较大数组的尺寸。详细规则见 numpy.doc.broadcasting。

NumPy彻底支持ndarray的面向对象。例如，ndarray是一个类，拥有许多方法和属性。它的许多方法复制了NumPy最外层命名空间的函数，让程序员彻底自由决定代码写成哪一个范式，以及哪一个范式更适合当前的任务。

1.2 安装 NumPy

原文：Installing NumPy

大多数状况下，在系统上安装NumPy的最好办法是使用为你的操做系统预编译的包。

一些可选的链接请见 http://scipy.org/install.html 。

有关源码包构建的说明，请见从源码中构建。这些信息主要用于高级用户。