咱们须要了解一下 numpy 的应用场景
web
NumPy提供了大量的数值编程工具，能够方便地处理向量、矩阵等运算，极大地便利了人们在科学计算方面的工做。另外一方面，Python是免费，相比于花费高额的费用使用Matlab，NumPy的出现使Python获得了更多人的青睐
编程
查看 numpy 版本
数组
import numpy
numpy.version.full_version
数组
微信
NumPy中的基本对象是同类型的多维数组（homogeneous multidimensional array），这和C++中的数组是一致的，例如字符型和数值型就不可共存于同一个数组中。先上例子dom
a = numpy.arange(20)
经过函数reshape，咱们能够从新构造一下这个数组，例如，咱们能够构造一个4*5的二维数组，其中reshape的参数表示各维度的大小，且按各维顺序排列（两维时就是按行排列，这和R中按列是不一样的）：
ide
a = a.reshape(4,5)
构造更高维的也没问题:函数
a = a.reshape(2,2,5)
既然a是array，咱们还能够调用array的函数进一步查看a的相关属性：ndim查看维度；shape查看各维度的大小；size查看所有的元素个数，等于各维度大小的乘积；dtype可查看元素类型；dsize查看元素占位（bytes）大小工具
建立数组
spa
数组的建立可经过转换列表实现，高维数组可经过转换嵌套列表实现：.net
raw = [0,1,2,3,4]
a = numpy.array(raw)
raw = [[0,1,2,3,4], [5,6,7,8,9]]
b = numpy.array(raw)
一些特殊的数组有特别定制的命令生成，如4*5的全零矩阵：
d = (4, 5)
numpy.zeros(d)
默认生成的类型是浮点型，能够经过指定类型改成整型：
d = (4, 5)
numpy.ones(d, dtype=int)
[0, 1)区间的随机数数组：
numpy.random.rand(5)
数组操做
简单的四则运算已经重载过了，所有的+，-，*，/运算都是基于所有的数组元素的，以加法为例：
相似C++，+=、-=、*=、/=操做符在NumPy中一样支持：
开根号求指数也很容易：
须要知道二维数组的最大最小值怎么办？想计算所有元素的和、按行求和、按列求和怎么办？for循环吗？不，NumPy的ndarray类已经作好函数了：
数组元素访问
数组和矩阵元素的访问可经过下标进行，如下均以二维数组（或矩阵）为例：
能够经过下标访问来修改数组元素的值：
如今问题来了，明明改的是a[0][1]，怎么连b[0][1]也跟着变了？这个陷阱在Python编程中很容易碰上，其缘由在于Python不是真正将a复制一份给b，而是将b指到了a对应数据的内存地址上。想要真正的复制一份a给b，能够使用copy
若对a从新赋值，即将a指到其余地址上，b仍在原来的地址上：
利用:能够访问到某一维的所有数据，例如取矩阵中的指定列：
数组操做
仍是拿矩阵（或二维数组）做为例子，首先来看矩阵转置：
矩阵求逆：
求特征值和特征向量
按列拼接两个向量成一个矩阵：
在循环处理某些数据获得结果后，将结果拼接成一个矩阵是十分有用的，能够经过vstack和hstack完成：
缺失值
缺失值在分析中也是信息的一种，NumPy提供nan做为缺失值的记录，经过isnan断定。
nan_to_num可用来将nan替换成0，在后面会介绍到的更高级的模块pandas时，咱们将看到pandas提供能指定nan替换值的函数。
NumPy还有不少的函数，想详细了解可参考连接 http://wiki.scipy.org/Numpy_Example_List 和 http://docs.scipy.org/doc/numpy
最后献上NumPy SciPy Pandas Cheat Sheet
本文分享自微信公众号 - 人生代码（lijinwen1996329ken）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。