介绍 NumPy 的五种玩法

图解入门 NumPy，这篇文章，已经让我们感知到NumPy的强大，但要想真正用活NumPy，还不够！下面介绍五种玩法，以此深入掌握NumPy：

1. 记住NumPy中文网站：https://www.numpy.org.cn/，里面包括NumPy 的官档中文版，使用入门，实战等。

里面包括NumPy官档最详细的一个中文翻译，地址为：

https://www.numpy.org.cn/reference/

平时遇到关于NumPy的bug，解决不了的，可以先去这里查看API的使用说明。

2. 理解NumPy的向量化能力，这正是赋予它简洁的重要原因之一。使用Python原生API会经常写些for，但是NumPy让它变得不再需要，NumPy一切都是按照向量计算。如下计算小于3的元素置0，否则置为1：

# 使用Python原生
a = [10,4,-6,3,5,1]
# 小于3的元素置为0，不小于3的元素置为1
b = []
for i in a:
    b.append(0 if i < 3 else 1)
print(b)

使用 NumPy 的where方法，语法更加简洁，看不到for语句，符合Python哲学：

# 使用NumPy
na = np.array(a)
# 一行代码
b = np.where(na < 3, 0, 1)
print(b)

3. 处理多维数组，NumPy的索引和切片更强大，如下 na < 3 得到布尔索引，一切都按照向量化操作：

na = np.array([10,4,-6,3,5,1])
na[na < 3]
# 结果如下：
# array([-6,  1])

# 创建二维数组
np.random.randint(1,10,size=(3,4))
c2 = np.random.randint(1,10,size=(3,4))
c2
array([[3, 2, 9, 9],
       [9, 5, 2, 4],
       [8, 1, 2, 4]])
# 更强大简洁的切片功能：
c2[:2,1:3]
array([[2, 9],
       [5, 2]])

4. 学习NumPy，不可能不与广播打交道，广播机制必须要理解，关于它的规则可参考：

https://www.numpy.org.cn/article/basics/python_numpy_tutorial.html#%E5%B9%BF%E6%92%AD-broadcasting

5. NumPy往往是数据分析、机器学习、深度学习相关框架的底层框架，NumPy在这方面的实战，都有哪些呢？

在这里推荐一个纯NumPy实现各种常见机器学习、深度学习算法的github库，地址为：

https://github.com/ddbourgin/numpy-ml

此库里有各种常见机器学习算法，神经网络模型，优化器，各种激活函数的纯NumPy实现方法。没事研究一下，既能提高NumPy技能，还能掌握常见AI算法，一举两得！