numpy在深度學習或者資料分析中都是很常用的乙個工具庫，今天我結合自己的工作內容以及學習到的乙個api的用法，來說下numpy的用法
陣列與列表類似，是具有相同型別的多個元素構成的整體。
侷限：
優勢：numpy（numerical python的簡稱），是科學計算基礎的乙個庫，提供了大量關於科學計算的相關功能，例如，線性變換，資料統計，隨機數生成等。其提供的最核心的型別為多維陣列型別（ndarray）。
可以使用如下的方式來安裝numpy庫：
pip install numpy
根據慣例，使用numpy庫的匯入方式為：
import numpy as np
在匯入之後，我們可以通過：
np.__version__
來檢視numpyu庫的版本資訊。
import numpy as npimport numpy as np
c = np.arange(3,89,0.1)
# 建立全為1的陣列。
x = np.ones((5
,3))
# 建立與引數指定陣列形狀一致的陣列，陣列的值全為1。
y = np.ones_like(x)
# 建立全為0的陣列。
x = np.zeros((2
,3))
# 建立與引數形狀完全相同的陣列，陣列的值都為0。
y = np.zeros_like(x)
# print(y)
# 返回指定的形狀的陣列，陣列的值是尚未初始化的值。（值多少是不確定的。）
x = np.empty((3
,8))
# 建立與引數形狀完全相同的陣列，陣列的值是尚未初始化的值。
x = np.empty_like(x)
x = np.full((2
,3),
100)
# np.ones((2, 3))
# 建立與引數形狀完全相同的陣列，陣列的值使用第二個引數進行填充。
y = np.full_like(x,
200)
y
陣列物件具有如下常用屬性：
我們可以通過陣列物件的astype函式來進行型別轉換。
我們可以通過陣列物件的reshape方法（或者np的reshape函式）來改變陣列的形狀。
說明：在python中，序列型別支援索引與切片操作，在numpy庫中，ndarray陣列也支援類似的操作。不過，二者之間既有相同點，也有不同點。
陣列物件也支援索引與切片操作，語法與python中序列型別的索引與切片相似。
當陣列是多維陣列時，可以使用array[高維, 低維]的方式按維度進行索引或切片。
陣列的切片返回的是原陣列資料的檢視（回憶：python中呢？）。如果需要複製底層的陣列元素，可以使用陣列物件的copy方法。
注意：檢視是共享底層的陣列元素，但檢視並不是賦值。
思考：通過切片，我們可以選取多個元素，但是，如果我們要選取的低維陣列（或元素）是不連續的，該怎樣做？
當要選取的元素不連續時，可以提供乙個索引陣列來選擇（或修改）對應索引位置的元素。
說明：我們可以提供乙個布林型別的陣列（a），然後通過該陣列（a）來對另外乙個陣列（b）進行索引（元素選取）。索引的原則為：如果為true，則選取對應位置的元素，否則不選取。
通過布林型別的陣列進行索引是常見且實用的操作，我們通常用來進行元素選擇（或過濾）操作。例如：
說明：
資料分析 1 numpy
from numpy import import numpy as np import numpy.random as npr import numpy.linalg as npl建立ndarrayarray 將輸入資料 列表 元組 陣列或其它序列型別 轉換為ndarray。要麼推斷出dtype，要...
numpy資料分析
2020 11 2 import array arr array.array i list range 10 i表示整型,生成序列後不能改變資料型別 多維陣列ndarray方便處理多維度運算，運算效率高 nparr np.array list range 10 修改值，浮點數取整數段 nparr 2...
資料分析 Numpy
什麼是numpy numpy這個詞 於兩個單詞 numerical和python。numpy是python中的乙個運算速度非常快的乙個數學庫，它非常重視陣列，很多的資料科學的包都是依賴於numpy的。它允許你在python中進行向量和矩陣計算，並且由於許多底層函式實際上是用c編寫的，因此你可以體驗在...