python numpy库的使用 python基础，演示了numpy库的使用，提供python2例程代码，适合初学者
Numpy
Numpy是Python的一个科学计算的库
高效的向量和矩阵计算
很多函数都是C语言实现的
import numpy as np
用法：np.###
http://www.numpy.org/
NumPy Tutorial
https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
Basics
Array Creation
Basic Operations
Universal Functions (argmax/argmin/argsort)
Indexing, Slicing and Iterating
Shape Manipulation
Copies and Views
**Python Numpy 库的使用**
Numpy 是 Python 用于科学计算的核心库，它提供了高效的数据结构和数组操作。Numpy 的主要特点是其强大的多维数组对象（`ndarray`），以及对这些数组进行数学运算的函数。由于大部分功能都用 C 语言实现了底层算法，因此 Numpy 的性能非常高。
**1. Numpy 的基本概念**
- **数组创建**：在 Numpy 中，可以使用 `numpy.array()` 函数创建数组。例如：
```python
import numpy as np
arr = np.array([1, 2, 3, 4])
```
创建的数组 `arr` 是一维的，而通过传递嵌套列表，可以创建多维数组。
- **基本操作**：Numpy 提供了丰富的数组操作，如加、减、乘、除等基本数学运算，以及矩阵乘法（使用 `@` 运算符或 `numpy.dot()` 函数）。
```python
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = arr1 + arr2
```
**2. 通用函数 (UFunc)**
通用函数是一类操作在数组元素级别上的函数，如 `numpy.argmax()`、`numpy.argmin()` 和 `numpy.argsort()`：
- `argmax()` 返回数组中最大值的索引。
- `argmin()` 返回最小值的索引。
- `argsort()` 返回按升序排序的索引数组。
**3. 编码与索引**
Numpy 数组支持多种索引方式，包括单个索引、切片、步长和布尔索引。例如：
```python
arr = np.array([[1, 2], [3, 4]])
row = arr[0] # 获取第一行
column = arr[:, 1] # 获取第二列
```
布尔索引允许通过一个布尔数组来选取满足特定条件的元素。
**4. 形状操作**
可以通过 `reshape()` 函数改变数组的形状，`numpy.resize()` 会改变数组大小，`numpy.ravel()` 会将数组扁平化。例如：
```python
arr = np.array(range(15))
reshaped_arr = arr.reshape(3, 5)
```
**5. 复制与视图**
`copy()` 方法可以创建数组的深拷贝，而视图（view）不复制数据，而是创建了一个指向原始数组的新引用。视图修改会影响原始数组，而深拷贝不会。
**Python3 环境**
在 Python3 中，使用 `print()` 函数需要使用括号来包裹打印内容。Python3 还引入了新的语法特性，如 `for` 循环和 `if` 语句的简洁表达。
**Python2 与 Python3 的差异**
Python2 中，`print` 是一个语句，而不是一个函数，所以可以直接写 `print "Hello"`。而在 Python3 中，`print` 是一个函数，因此需要写成 `print("Hello")`。
Numpy 是 Python 数据科学领域不可或缺的工具，它为处理大量数值数据提供了高效且便捷的方法。无论是初学者还是经验丰富的开发者，掌握 Numpy 的使用都将极大地提高数据分析和处理的效率。
