Python数据分析 Anaconda发行版 Jupyter notebook 安装和文档 启动 运行机制 主界面 新建文档 工作界面 文档结构 编辑和命令模式 快捷键 执行和输出 Markdown单元 图片和视频 幻灯片 导出格式 魔法命令 Numpy 基础知识 数据类型 创建数组 数组运算 通用函数 索引切片迭代 添加删除去重 形状变换 堆积数组 分割数组 视图和复制 广播机制 花式索引 布尔索引 统计方法 随机数 Pandas Series DataFrame Index 重建索引 轴向上删除条目 索引和切片 算术和广播 函数和映射 排序和排名 统计和汇总 文件读取 分块读取 写出数据 JSON和Pickle HDF5 EXCEL文件 Web交互 数据库交互 删除缺失值 补全缺失值 删除重复值 替换 重命名轴索引 离散化和分箱 检测和过滤 随机和抽样 字符串操作 分层索引 分层索引进阶 合并连接 粘合与堆叠 重塑 Matplotlib 配置环境 使用常识 保存图形 两种图画接口 使用中文 线型图 颜色线型和标记 坐标轴上下限 坐标轴刻度 图题、轴标签和图例 配置图题 配置图例 颜色条 文本、箭头和注释 散点图 直方图 条形图 饼图 误差线 等高线 多子图 patch 自定义坐标轴刻度 风格样式展示 下一步

Numpy

阅读: 9312     评论：0

本教程使用的Numpy版本为1.14.3

官方主页：http://www.numpy.org/

Numpy基于BSD开源。

img

Numpy（Numerical Python）是基于python进行科学计算和数学分析的重要基础库之一，大名鼎鼎。它包括：

  • 一个强大的N维数组对象
  • 复杂（广播）功能
  • C/C++与FORTRAN代码的集成工具
  • 强大的的线性代数、傅立叶变换和随机数功能

除了其明显的科学用途外，numpy还可以用作有效的通用数据多维容器。可以定义任意数据类型。这使得numpy能够无缝、快速地与各种数据库集成。Numpy本身并不提供建模函数，理解Numpy的数组以及基于数组的计算将有助于你更高效地使用基于数组的工具，比如Pandas。

Numpy在使用上的优势：

  • 对大量数据的高效操作
  • 内部将数据储存在连续的内存块上，这与Python内建的数据结构是不同的。Numpy的算法库是C语言编写的，在操作内存时，不需要任何类型检查或其它管理操作。Numpy数组使用的内存也小于其它Python内建序列。
  • Numpy可以针对全量数组进行复杂计算而不需要编写Python循环，要快10到100倍，并且使用的内存也更少。

看下面的例子：

>>> np.__version__
1.14.3
>>> import numpy as np
>>> my_arr = np.arange(1000000) # 以numpy的方式生成数组
>>> my_list = list(range(1000000))# 以Python列表的方式
>>> %time for _ in range(10):my_arr2 = my_arr*2 # np的操作时间
Wall time: 19 ms
>>> %time for _ in range(10):my_list2 = [x*2 for x in my_list] # Python列表的操作时间
Wall time: 593 ms

通常，使用Numpy的人员大多从事科学计算、数据分析、机器学习相关领域的工作，基本都会安装Anaconda。在Anaconda中，已经将Jupyter notebook、Numpy、Pandas、Matplotlib几个密切相关的库集成进去了，可以直接使用。Anaconda简单方便，兼容性好，为我们解决了很多依赖问题。所以我们不建议初学者自己手动安装Numpy，这样费时费力，要自己解决大量的依赖问题，兼容性问题，还不一定能安装成功。

如果你确实需要或者想自己手动安装：

  • 包下载地址：https://www.scipy.org/scipylib/download.html
  • 安装指引：https://www.scipy.org/install.html

因为前面我们已经安装了Anaconda，这里就不再赘述了。

 魔法命令 基础知识 

评论总数： 0

点击登录后方可评论