Python与算法社区
已原创
425
篇，干货满满
值得星标
01
02
03
三步加星标
施工计划来到数据分析以及爬虫部分，Python领域，提到数据，自然会联想到一个包，NumPy，它太通用了，Pandas，SciPy，Tensorflow，scikit-learn 都选它为基础框架，所以Python生态里，掌握NumPy几乎是必须的。
NumPy处理数据，书写精简，能方便地对数据进行切片，切块，多维向量操作。
一般常见的数据类型有四种，以excel或csv为代表的二维数组型表格，还有以单通道或多通道的图像cv文件，还有一维数组格式的音频文件，最后以输入文本为代表的nlp
这些不同种类的输入数据格式，都能通过NumPy方便的表示和处理。正因如此，进一步强化了NumPy的王者地位。
就拿32乘32像素的黑白图片而言，只需一行代码便提取出左上角的10个像素块：
In [11]: a=np.random.randint(0,255,size=(32,32))
# 提取左上角的10*10的像素块
In [14]: a[:10,:10]
Out[14]:
array([[115, 168, 94, 97, 208, 249, 94, 11, 194, 185],
[ 77, 130, 203, 188, 243, 207, 229, 213, 170, 52],
[250, 98, 7, 234, 69, 188, 152, 66, 210, 159],
[228, 252, 122, 126, 36, 126, 210, 176, 60, 136],
[103, 26, 98, 57, 56, 206, 221, 9, 165, 90],
[ 47, 188, 55, 92, 169, 4, 150, 200, 105, 84],
[241, 36, 161, 3, 57, 198, 216, 26, 33, 13],
[ 34, 65, 175, 213, 52, 159, 7, 102, 102, 133],
[214, 192, 38, 252, 12, 71, 38, 44, 165, 135],
[234, 105, 130, 189, 162, 247, 58, 80, 88, 83]])
接下来，看看NumPy的基础用法。
要想快速掌握NumPy，要理解一些基本原理，如应用最广泛的reshape方法，通过它能将一维数组转为多维，反之亦然。表象为多维，实质在内存中始终为一维。
结合图形可视化，加速理解NumPy中的这些基本运算，如两个一维数组相加的可视化：
再有，NumPy的重要机制之一：广播，可能有些读者对其有些迷惑，不知何为广播，借助可视化图，一看便知：
1个1.6，被广播为2个1.6，原因是要与前面的数组长度匹配上，然后逐元素相加。
除了数组对象之外，NumPy又封装一个矩阵对象，它能提供线代中的点乘操作，这是机器学习公式运算所需要的，点乘的可视化图形为：
点乘实际上等价于：
其他剩余操作，如按块索引、常见聚合操作，也有对应的可视化图。
我把它们整理为一个pdf文档，一共14页，取名为《图解入门NumPy》，想要的微信我，备注：图解
不必打赏
给我点个赞
就心满意足了