PYTHON_numpy 历程总览 - updating

遥想学习 python 之初，我满腹的怀疑为什么 python 本身已经具备的数据容器，运算子，与内置模块处理数据，还要一个 numpy 重复一遍内置函数的功能，直到开始接触了大量的数据与资料处理的实例后，看着大家都用 numpy 到他们的代码中，终于下定决心想把它了解一番。

In short，numpy module 的应用，相比于 python 自己的函数，大幅提升了应付数据时候的运算速度与功能，numpy 是一个基于 C 语言开发的 python 模块，除了更好的在 python 中被处理，还拓展了很多原本 python 本身没有的功能，使其成为一个在数学处理方面更为全面的体系。

三大优势

1. 少的内存占用
2. 执行速度快
3. 更方便的函数呼叫和数据处理

有这些优势的原因如图，numpy 对付数据的方式是按照顺序整齐排列于记忆体中，每个 element 只有 4 bytes 的大小，然而 python 自己不一样，它需要让每个储存的数据以 object 的形式被储存，并且涵盖信息标记对应到的记忆体位置，每个单元需要 14 bytes，并且每次调用数据都要重新根据该 object 的标记对号去检索位置找东西，速度自然不是同一个量级。

与一般的 python 模块类似，numpy 也含有许多 “类（class）” 与其类分支下的 “方法（method）” ，并且一般来说输入参数的内容里面，出现的基本上就是范围，数据尺寸，平均值，标准差，编译类型，数据点，线段形状颜色... 等，是一个还算易懂的 module。

安装方法 numpy 

windows case：打开 CMD 输入 where python 找到路径，利用此路径进入 Scripts 文件夹，在此文件夹下输入：

pip install numpy
# Then everything should be done in our computer

Mac / Linux case：打开 Terminal 不用输入任何路径的情况下，直接输入：

sudo pip3 install numpy
# If we want to install numpy for python3 version, use pip3 as the command.
# On the other hand, if we want to install numpy for python2 verision, use pip instead.

p.s. sudo 用来开启管理员权限去下载，可以避开非管理员状态的不必要限制。检查正确安装的方法就是进入 python 里面，输入 import numpy，没有报错即正确。

推荐相关文章

• more

MENU for The Paragraph

1. numpy Operators
   
2. numpy.random
3. numpy.array （Crucial in Image Deposition)
   
4. more
   

1. numpy Operators [点击]

more

2. numpy.random [点击]

• numpy.random.normal(loc=0.0, scale=1.0, size=None)
  

  import numpy as np
  import matplotlib.pyplot as plt
  
  NB = np.random.normal(20, 3.5, size=(2000))
  plt.plot([i for i in range(2000), NB, 'ro')
  plt.show()
  plt.close()        # if we are using ubuntu system, mind to close it down
  

  
  
  虽然在介绍输入参数的地方有那些 loc=..., scale=... 东西，但是实际上我们内心知道它们为何物即可。
  1.  loc 表示此次随机高斯分布数据的均值落点，如范例，输入为 20 ，那么图中的中间值即为 20。
  2.  scale 表示此次随机高斯分布数据的标准差，如范例，输入为 3.5 ，那么基本上分布中 97.5% 的值都落在 (20-3.5*3=9.5)~(20+3.5*3=30.5) 之间。
  3.  size 表示此次随机高斯分布数据的元素排部方式，None 这边同为 1 的意思，括号内元素个数 ( x ) 表示有 x 个元素，(x, y) 表示 x 条横列 y 束直行，(x, y, z) 表示 x 组数据团 y 条横列 z 束直行，以此类推。
• numpy.random.randn()
  

  import numpy as np
  import matplotlib.pyplot as plt
  
  NB = np.random.randn(2000)
  plt.plot([i for i in range(2000), NB, 'ro')
  plt.show()
  plt.close()

  
  

  这呼叫出来的分布叫做正态分布，但是其实“正态分布”就是“高斯分布”的一种，只是正态分布不能调整平均值与标准差，统一定死为平均值为 0 ，标准差为 1 的分布结果，参数输入的目的只是为了调整数据结构大小（将要产生几个数据，几个维度）。
• numpy.random.random(size=None)
  

  import numpy as np
  import matplotlib.pyplot as plt
  
  NB = np.random.random(1000)
  plt.plot([i for i in range(1000), NB, 'ro')
  plt.show()
  plt.close()

  
  
  这是一个随机分布的数据创造方法，创出来的数据以浮点数的形式呈现，并且范围只在 0.0~1.0之间（不包含 1.0）。由此得知，输入的参数使用来规范数据尺寸（几维）用的。如果输入的 size 为 None，则只得出一个随机数。
  
• numpy.random.rand(d1, d2, d3, ..., dn)
  这个功能基本上跟上面的“numpy.random.random(size=None)”重复了，得出来的结果也是一个浮点数形式的数据集，并且落点范围都在 0.0~1.0 之间（不包含 1.0），只是在输入 dimension size 的时候这个function 不用以 tuple 的形式把数值 ( ) 起来，差异如下：

  >>> X = np.random.rand(3, 2)
  >>> Y = np.random.random((3, 2))
  >>> print(x)
  [[0.50933683 0.54593109]
   [0.05237493 0.92438944]
   [0.82475384 0.28345478]]
  >>> print(Y)
  [[0.07349583 0.26044589]
   [0.89348834 0.87377244]
   [0.95728742 0.41839420]]
  

• more
  
  
• 未涵盖的内容介绍
  link：https://blog.csdn.net/akadiao/article/details/78252840?locationNum=9&fps=1

3. numpy.array [点击]

• numpy.linspace(start, stop, num=30, endpoint=True, retstep=False, dtype=np.float64)
   这个函数是用于切割一个给定范围的数字段，num 后面的数字代表的是要切割的段数，根据一开始给定的起始值与终点值，并设定切割段是否涵盖终点值的特殊标注，最后加上数据类型的设定。
  其中，初始，结束，切割段数是必要的输入值，剩下的参数可以不输入，不输入的话，则以上是默认值。
  

  >>> import numpy as np
  
  >>> data = np.linspace(-1, 1, 5, retstep=True, endpoint=False, dtype=np.float32)        # the sequence of the parameters behind doesn't have to be the same as the example
  >>> print(data)
  (array([-1, -0.6, -0.2, 0.2, 0.6], dtype=float32), 0.4)
  

  start：表示数列从哪里开始被切；stop：表示数列切到哪里停止；num：表示切的段数；endpoint：表示是否包含了最后停止的该点；retstep：表示是否连同结果用 tuple 的表示方式一起显示平均切出来的公差；dtype：表示资料形态。retstep 一旦使用了，则结果就会变成 tuple 的形式输出，切记。
• numpy.newaxis
  只能够用在 list 上面，功能就是可以把一个 list 里面的元素变成个别独立的小 list ，硬生生的让原本只有一个维度的资料，变成有跟数据个数一样多的维度。

  >>> data[:, np.newaxis]
  TypeError: data type not understood        # because this is a tuple, which can't be applied to this function
  >>> Dlist = [1, 2, 4, 5]
  >>> Dlist[:, np.newaxis]        # or the code can be written as Dlist[:, None]
  >>> [[1],
       [2],
       [4],
       [5]]
  

  This is a really convenient small gadget to convert the data structure into a different dimension easily.