NumPy（Numerical Python的简称）是高性能科学 和数据分析的基础包
综述
其重要功能如下：
- ndarray，一个具有矢量运算和复杂广播能力的快速且节省空间的多维数组。
- 用于对数组数据进行快速运算的标准数学函数（无需编写循环）。
- 线性代数、随机数生成以及傅里叶变换功能。
import numpy as np- 官方文档
- 中文文档
- 详细目录
数据创建函数
NumPy的主要对象是同质多维数组。它是一张表，所有元素（通常是数字）的类型都相同，并通过正整数元组索引。在NumPy中，维度称为轴。轴的数目为秩rank。
例如，3D空间中的点的坐标[1, 2, 1]是rank为1的数组，因为它具有一个轴。该轴的长度为3。在下图所示的示例中，数组的rank为2（它是2维的）。第一维度（轴）的长度为2，第二维度的长度为3。
[[ 1., 0., 0.],
[ 0., 1., 2.]]
NumPy的数组的类称为ndarray。别名为array。请注意，numpy.array与标准Python库的类array.array不同，后者仅处理一维数组并提供较少的功能。ndarray对象的更重要的属性是：
ndarray.ndim
数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
ndarray.shape
数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于具有n行和m列的矩阵，shape将是(n,m)。因此，shape元组的长度就是rank或维度的个数ndim。
ndarray.size
数组元素的总数。这等于shape的元素的乘积。
ndarray.dtype
描述数组中元素类型的对象。可以使用标准Python类型创建或指定dtype。另外NumPy提供了自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
ndarray.itemsize
数组中每个元素的字节大小。例如，元素为float64类型的数组的itemsize为8（=64/8），而complex32类型的数组的comitemsize为4（=32/8）。它等于ndarray.dtype.itemsize。
ndarray.data
该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。
import numpy as np
data = [1.1,2.2,3.3]
data = np.array(data)
print data #[ 1.1 2.2 3.3]
print data.dtype #float64
print data.shape #(3L,)
data = data*10 #不同于python里面列表的运算
print data #[ 11. 22. 33.]
data = data.astype(np.int16)
print data.dtype #int16
[ 1.1 2.2 3.3]
float64
(3,)
[ 11. 22. 33.]
int16
元素级数组函数
arr = np.arange(10)
print arr #[0 1 2 3 4 5 6 7 8 9]
print np.sqrt(arr)
#[ 0. 1. 1.41421356 1.73205081 2. 2.23606798 2.44948974 2.64575131 2.82842712 3.]
x = np.random.randn(8)
y = np.random.randn(8)
print x
print y
print np.maximum(x,y)
#输出
# [ 6.44384037e-01 4.77467240e-01 -1.63710500e+00 -2.23397938e-01
# 2.42823340e-04 2.90417057e-01 1.59116209e+00 -9.84905419e-01]
# [-0.83284853 1.37952239 0.21118756 -0.17092715 0.01228589 1.54071412
# 1.44245279 0.63661402]
# [ 0.64438404 1.37952239 0.21118756 -0.17092715 0.01228589 1.54071412
# 1.59116209 0.63661402]
基本数组统计方法
数据的集合运算
numpy.unique 查找数组的唯一元素。
常用的numpy.linalg函数（Linear algebra）
dot（a，b [，out]） 两个数组的点积。
linalg.norm（x [，ord，axis，keepdims]） 矩阵或向量范数。
linalg.solve（a，b） 求解线性矩阵方程或线性标量方程组。
linalg.tensorsolve（a，b [，axes]） 为x解出张量方程 ax = b
linalg.lstsq（a，b [，rcond]） 将最小二乘解返回到线性矩阵方程。
linalg.inv（a） 计算矩阵的（乘法）逆。
linalg.pinv（a [，rcond]） 计算矩阵的（Moore-Penrose）伪逆。
linalg.tensorinv（a [，ind]） 计算N维数组的“逆”。
部分numpy.random函数
数组连接函数
take、where、copy
take
从轴沿一个数组中取元素。
参数： a：源数组。indices：要提取的值的索引。
arr = np.arange(10)*100
inds = [7,1,2,6]
print arr.take(inds) #[700 100 200 600]
where
numpy.where函数是三元表达式x if condition else y的矢量化版本。
arr = np.random.randn(4,4)
print arr
[[ 1.19717763 -0.741477 -2.15110668 -0.46468596]
[-1.13466991 1.10899501 -1.61028763 -0.6177533 ]
[ 1.95222784 -0.00466218 -1.23314358 0.75340766]
[ 0.24350204 -0.23099947 0.11610512 0.21914577]]
print np.where(arr < 0, 0, arr)
[[ 1.19717763 0. 0. 0. ]
[ 0. 1.10899501 0. 0. ]
[ 1.95222784 0. 0. 0.75340766]
[ 0.24350204 0. 0.11610512 0.21914577]]
copy
data_copy = data.copy（） # 可以得到一份副本，并不影响原来的数据