Python数据科学NumPy教程（1）

Python作为一门薪酬最高且最简单的语言，用此语言入手数据科学和大数据实在是平生的一种荣幸。

在我们平时的生活当中，可以将Python进行有效导入，可以将立体的图像看成一种三维数组，这些数字就代表了各区域的像素值，声音则可以看作是一维数组，文本在自然语言处理领域也可以看作是一种量化的数值表示，不管是何种数据，我们第一步就是要将这些数据转化成数值数组成可分析的数据。

正因为如此，有效地转换和使用这些数据是数据科学当中至关重要的的过程。因此我们这里将会介绍Python的NumPy包。

NumPy包提供了给我们高效率的存储和操作密集的数据缓存的接口，让我们利用线性代数进行矩阵计算时会更加方便，为我们打开了一扇百万年薪之窗。是每一个大数据工程师和人工智能工程师必须掌握的基础技能。

一.利用numpy创建数组

安装NumPy包，在命令行模式下键入代码：

pip install numpy

不到两分钟就会自动安装好了

然后进入已经编辑环境变量的cmd窗口或者ipython窗口

python

import numpy as np(这样可以方便我们进行简写)

np.zeros(10,dtype=int)

输出：array([0,0,0,0,0,0,0,0,0,0])

#创建一个3^5的浮点型数组，数组的值全部为一

np.ones((3,5),dtype=float)

输出：array([[1.,1.,1.,1.,1.]

[1.,1.,1.,1.,1.]

[1.,1.,1.,1.,1.]]

)

#创建一个1^1的浮点型数据

np.full((1,1),3.14)

output:array([[3.14]])

.........

二.NumPy标准数据类型

NumPy标准数据类型前面均用dtype来说明我们开始写数据类型了，其中数据类型有下面多种：

这些数据类型十分重要，必须倒背如流。

三.numpy数组切片

numpy数组切片和我们Python列表进行切片的感觉是差不多的，确实也是差不多的，语法也十分的相似。

我们可以利用Python当中常见的格式对numpy同样进行切片。

例如：

x[开始的数值：结束的数值：步长]

假设：

input：x=np,arange(10)

x

output:array([0,1,2,3,4,5,6,7,8,9])

x[:5]#切片前面五个元素

array([0,1,2,3,4])

x[5:]#切片5之后的元素

array（[6,7,8,9]）

x([4,7])#切片4-7中间的数，右边不包含，这是Python的特殊要求

array([4,5,6])

以上还仅仅是一维数组的情况，我们可以看看多维数组的情况：

x2=array([[1,2,3]

[4,5,6]

[7,8,9]

])

x2[:2.:3]

array([

[4,5]

[7,8]

])

其道理可以以此类推，借鉴一下一维数组的用法就可以很清楚地了解到多维数组的用法了。

后面我们将会讲解通用函数的使用，这才是NumPy科学计算的真谛！