還記得自己剛接觸Pandas、Sklearn、Tensorflow這幾個技術的時候，經常看到文檔和代碼中針對多維數組的創建、變形、乘法等操作，因為不了解這些知識導致難以理解進度緩慢，後來才知道它們都是在依賴Numpy這個庫。
後來我發現，如果想學好Pandas和Sklearn/Tensorflow這些數據分析、機器學習/深度學習的技術，Numpy是一定要系統性的學習的。
本文總結下Numpy的一些重要的知識內容：
Numpy的介紹Numpy是什麼Python的一個開源的數值計算擴展庫，用來存儲和處理多維矩陣Numpy的用途高性能的實現二維或多維數組的處理和計算作為pandas、scikit-learn、tensorflow等基礎依賴庫Numpy的基礎結構一維數組、二維數組Numpy的核心數據結構數組的屬性數組的維度：shape元組數組的維度數目：ndim數組全部元素的個數：size數組的元素類型：dtype構造數組從Python的列表List和嵌套列表創建array：x = np.array([1,2,3,4,5,6,7,8])便捷函數：arange、ones/ones_like、zeros/zeros_like、empty/empty_like、full/full_like隨機數組0~1之間均勻分布：rand(d0, d1, …, dn)均值0方差1的標準分布：randn(d0, d1, …, dn)隨機整數：randint(low[, high, size)0~1之間隨機數：random([size])從數組a中隨機抽取結果：choice(a[, size, replace, p])對數組x隨機打散：shuffle(x)實現數組全排列：permutation(x)按均值loc方差scale生成的高斯分布數組：normal([loc, scale, size])生成low和high之間均勻分布的數字：uniform([low, high, size])結構化數組用於表達各列類型不同的異構數據：np.dtype([('name', 'U10'), ('age', 'i4'), ('weight', 'f8')])可以用列表切片的方式查詢行：my_arr[0:2]用字典的方式查詢列：my_arr['age']按條件做篩選：my_arr[my_arr["age"] >= 29]對異構數據的操作一般用pandas更容易處理數組的操作數據查詢基礎索引：X[:2, 2:4]神奇索引：x[[3,4,7]]布爾索引：x[x>5]怎樣增加一個維度arr[np.newaxis, :]np.expand_dims(arr, axis=0)np.reshape(arr, (1, 5))數組的合併沿著指定axis進行數組的合併：np.concatenate(array_list, axis=0/1）垂直vertically、按行row wise進行數據合併：np.vstack或者np.row_stack(array_list)水平horizontally、按列column wise進行數據合併：np.hstack或者np.column_stack(array_list)數組的乘法*符號或者np.multiply：逐元素乘法，對應位置的元素相乘，要求shape相同@符號或者np.matmul：矩陣乘法，形狀要求滿足(n,k),(k,m)->(n,m)數組的排序numpy.sort：返回排序後數組的拷貝array.sort：原地排序數組而不是返回拷貝numpy.argsort：間接排序，返回的是排序後的數字索引數據統計np.sum：所有元素的和np.prod：所有元素的乘積np.cumsum：元素的累積加和np.cumprod：元素的累積乘積np.min：最小值np.max：最大值np.percentile：0-100百分位數np.quantile：0-1分位數np.median：中位數np.average：加權平均，參數可以指定weightsnp.mean：平均值np.std：標準差np.var：方差廣播的概念規則1：如果兩個數組的維度數dim不相同，那麼小維度數組的形狀將會在左邊補1規則2：如果shape的維度不匹配，但是有維度是1，那麼可以擴展維度是1的維度匹配另一個數組；規則3：如果shape的維度不匹配，但是沒有任何一個維度是1，則匹配失敗引發錯誤；Numpy數組讀寫到文件np.load(filename)：從.npy或者.npz文件中加載numpy數組np.save(filename, arr)：將單個numpy數組保存到.npy文件中np.savez(filename, arra=arra, arrb=arrb)：將多個numpy數組保存到.npz未壓縮的文件格式中np.savez_compressed(filename, arra=arra, arrb=arrb)：將多個numpy數組保存到.npz壓縮的文件格式中線性代數包求解逆矩陣B = np.linalg.inv(A)SVD矩陣分解U, S, V = np.linalg.svd(A, full_matrices=False)求解線性方程組x = np.linalg.solve(A, b)多項式擬合params = np.polyfit(x, y, 10)與其它庫的關係Numpy與Matplotlib的關係曲線圖：plt.plot(x, y)柱狀圖：plt.bar(labels, arr)餅圖：plt.pie(arr, labels=labels, autopct='%1.1f%%')直方圖：plt.hist(arr, bins=100, density=1)Numpy與Pandas的關係構造Series：series = pd.Series(arr)構造DataFrame：df = pd.DataFrame(arr, columns = ["ca", "cb", "cc", "cd"])Series轉Numpy：series.values、series.to_numpy()DataFrame轉Numpy：df.values、df.to_numpy()Numpy與Scikit-learn的關係數據集是Numpy：data, target = datasets.load_boston(return_X_y=True)拆分訓練集和測試集：X_train, X_test, y_train, y_test = train_test_split(data, target)訓練模型：clf.fit(X_train, y_train)模型打分：clf.score(X_test, y_test)模型預估：clf.predict(X_test[:3])
另外，對於Numpy技術的講解我自己錄製成了22集的視頻課程：
視頻全集地址在愛奇藝搜索「numpy」就能找到我
或者點下方「閱讀原文」可以跳轉到視頻全集