Numpy的创建

Numpy介绍：

• Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
• Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
• Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
• NumPy提供了一个N维数组类型ndarray，它描述了相同类型的"items"的集合
  

Numpy介绍-数值计算库

• num-numerical 数值化的
• py-python
• ndarray
  • n-任意个
  • d-dimension维度
  • array-数组

下面来思考一个问题？

• 使用python列表可以存储一维数组，再通过列表的嵌套可以实现多维数组，那为什么还需要使用Numpy的ndarray呢？？？

ndarray与python原生list运算效率对比：

• 这里我们通过一段代码运行来体会ndarray的好处
• 先来准备数据:
  
• 从中我们看到ndarray的计算速度要快很多，节约了时间。
• 机器学习的最大特点就是大量的数据运算，那么如果没有一个快速的解决方案，那可能现在python也在机器学习领域达不到好的效果。
  
• Numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。
• 思考：ndarray为什么可以这么快？

ndarray的优势

1、内存块风格

ndarray到底跟原生python列表有什么不同呢，请看一张图：

• 从图中我们可以看出ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
• 这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型时任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但是科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

2、ndarray支持并行化运算(向量化运算)

3、Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），对其数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。

• ndarray的优势：
  • 存储风格
    • ndarray-相同类型-通用性不强
    • list-不同类型-通用性很强
  • 并行化运算
    • ndarray支持向量化运算
  • 底层语言
    • C语言，解除了GIL

ndarray属性===认识N维数组：

• 数组属性反映了数组本身固有的信息。
  

ndarray属性

查看数组形状属性：

• 表示8行5列

查看数组的维度属性：

• 表示是一个二位数组

查看数组中元素的数量：

• 表示这个二维数组中总共有40个元素。

查看数组中元素的类型:

• 表示是int32类型的，默认应该是int64才对，应该是现在版本升级改进了。
  

查看一个数组元素的长度（字节）：

• 表示数组中一个元素占了4个字节，如果是int64类型的是8个字节。
  

ndarray不同形状的认识：

准备不同形状的数组数据：

a = np.array([[1,2,3],[4,5,6]])                 # 二维数组
b = np.array([1,2,3,4])                      # 一维数组
c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])   # 三维数组

查看这三个数组的形状：

理解三维数组：

• 第一个2表示三维数组中有2个二维数组，
• 第二个2表示每个二维数组有两个一维数组，
• 第三个3表示每一个一维数组中有3个元素。

ndarray的类型扩展：

dtype是numpy.dtype类型，先看看对于数组来说都有哪些类型

可以在创建数组的时候指定类型：

• 提示：numpy作为一款高效的计算工具，所以上面的字符串是不常用的，一般不用，字符串类型的处理可以使用pandas。
• 注意：若不指定，整数默认是int32，小数默认float64
  

在创建数组时指定类型的两种方式：