一、NumPy簡(jiǎn)介
NumPy系統(tǒng)是Python的一種開源的數(shù)值計(jì)算擴(kuò)展。這種工具可用來存儲(chǔ)和處理大型矩陣，比Python自身的嵌套列表（nested list structure)結(jié)構(gòu)要高效的多（該結(jié)構(gòu)也可以用來表示矩陣（matrix））。

以下為官方英文介紹：
NumPy is the fundamental package for scientific computing with Python. It contains among other things:

(1)a powerful N-dimensional array object
(2)sophisticated (broadcasting) functions
(3)tools for integrating C/C++ and Fortran code
(4)useful linear algebra, Fourier transform, and random number capabilities

Besides its obvious scientific uses, NumPy can also be used as an efficient multi-dimensional container of generic data. Arbitrary data-types can be defined. This allows NumPy to seamlessly and speedily integrate with a wide variety of databases.

二、python環(huán)境注意事項(xiàng)
目前python3使用也比較多，有的同學(xué)可能安裝了兩個(gè)版本，包括python2，Mac 在終端中輸入python命令后，輸出的信息還是Python 2.7。
如何讓系統(tǒng)默認(rèn)使用python3呢？按照以下步驟設(shè)置即可：
（1） 終端輸入：open ~/.bash_profile，打開.bash_profile文件。
（2）修改.bash_profile文件內(nèi)容 ，添加如下兩行PATH="/Library/Frameworks/Python.framework/Versions/3.6/bin:${PATH}"
export PATH（3）添加別名 alias python=``"/Library/Frameworks/Python.framework/Versions/3.6/bin/python3.6"
（4）重新生效.bash_profile文件
source .bash_profile

經(jīng)過以上四步，終端輸入phtyon，出現(xiàn)以下內(nèi)容即修改成功。

三、NumPy安裝
配置好python環(huán)境后，在命令行輸入：from numpy import*，如果提示以下錯(cuò)誤，我們需要手動(dòng)安裝NumPy：

注意：
1）使用pip install XXX
新安裝的庫(kù)會(huì)放在這個(gè)目錄下面
python2.7/site-packages

2）使用pip3 install XXX
新安裝的庫(kù)會(huì)放在這個(gè)目錄下面
python3.6/site-packages

在使用python3執(zhí)行程序，那么就不能import python2.7/site-packages中的庫(kù)。

（2）安裝NumPy
終端輸入：sudo pip3 install -U numpy
安裝成功輸出以下log：

四、NumPy使用
（1）基礎(chǔ)
NumPy的主要對(duì)象是同類型的多維數(shù)組。它是一張表，所有元素（通常是數(shù)字）的類型都相同，并通過正整數(shù)元組索引。在NumPy中，維度稱為軸。軸的數(shù)目為rank。

例如，3D空間中的點(diǎn)的坐標(biāo)[1, 2, 1]是rank為1的數(shù)組，因?yàn)樗哂幸粋€(gè)軸。該軸的長(zhǎng)度為3。在下圖所示的示例中，數(shù)組的rank為2（它是2維的）。第一維度（軸）的長(zhǎng)度為2，第二維度的長(zhǎng)度為3。

[[ 1., 0., 0.],
[ 0., 1., 2.]]
NumPy的數(shù)組的類稱為ndarray。別名為array。請(qǐng)注意，numpy.array與標(biāo)準(zhǔn)Python庫(kù)的類array.array不同，后者僅處理一維數(shù)組并提供較少的功能。ndarray對(duì)象的更重要的屬性是：

ndarray.ndim
數(shù)組的軸（維度）的個(gè)數(shù)。在Python世界中，維度的數(shù)量被稱為rank。
ndarray.shape
數(shù)組的維度。這是一個(gè)整數(shù)的元組，表示每個(gè)維度中數(shù)組的大小。對(duì)于具有n行和m列的矩陣，shape將是(n,m)。因此，shape元組的長(zhǎng)度就是rank或維度的個(gè)數(shù)ndim。
ndarray.size
數(shù)組元素的總數(shù)。這等于shape的元素的乘積。
ndarray.dtype
描述數(shù)組中元素類型的對(duì)象。可以使用標(biāo)準(zhǔn)Python類型創(chuàng)建或指定dtype。另外NumPy提供了自己的類型。例如numpy.int32、numpy.int16和numpy.float64。
ndarray.itemsize
數(shù)組中每個(gè)元素的字節(jié)大小。例如，元素為float64類型的數(shù)組的itemsize為8（=64/8），而complex32類型的數(shù)組的comitemsize為4（=32/8）。它等于ndarray.dtype.itemsize。
ndarray.data
該緩沖區(qū)包含數(shù)組的實(shí)際元素。通常，我們不需要使用此屬性，因?yàn)槲覀儗⑹褂盟饕L問數(shù)組中的元素。

舉例說明：

import numpy as np

#這里我們生成了一個(gè)一維數(shù)組a，從0開始，步長(zhǎng)為1，長(zhǎng)度為20
a = np.arange(15)
print('a:',a)

#打印a的類型，應(yīng)該是array
print('a type:',type(a))

#通過函數(shù)"reshape"，我們可以重新構(gòu)造一下這個(gè)數(shù)組，例如，我們可以構(gòu)造一個(gè)3*5的二維數(shù)組
a = a.reshape(3, 5)
print('a.reshape:',a)

#數(shù)組的維度
print('a.shape:',a.shape)

#數(shù)組的維度的個(gè)數(shù)
print('a.ndim:',a.ndim)

#數(shù)組元素總數(shù)
print('a.size:',a.size)

#數(shù)組元素類型
print('a.dtype:',a.dtype)

#數(shù)組元素的字節(jié)大小
print('a.itemsize:',a.itemsize)

對(duì)應(yīng)輸出如下：

a: [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
a type: <class 'numpy.ndarray'>
a.reshape: [[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
a.shape: (3, 5)
a.ndim: 2
a.size: 15
a.dtype: int64
a.itemsize: 8

（2）數(shù)組創(chuàng)建
有幾種方法來創(chuàng)建數(shù)組，可以使用array函數(shù)從常規(guī)Python列表或元組中創(chuàng)建數(shù)組。得到的數(shù)組的類型從序列中元素的類型推導(dǎo)出。

>>> a = array( [2,3,4] )
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int32')
>>> b = array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')  一個(gè)常見的錯(cuò)誤包括用多個(gè)數(shù)值參數(shù)調(diào)用`array`而不是提供一個(gè)由數(shù)值組成的列表作為一個(gè)參數(shù)。

>>> a = array(1,2,3,4)    # WRONG

>>> a = array([1,2,3,4])  # RIGHT

（3）數(shù)組打印
當(dāng)你打印一個(gè)數(shù)組，NumPy以類似嵌套列表的形式顯示它，但是呈以下布局：

最后的軸從左到右打印
次后的軸從頂向下打印
剩下的軸從頂向下打印，每個(gè)切片通過一個(gè)空行與下一個(gè)隔開
一維數(shù)組被打印成行，二維數(shù)組成矩陣，三維數(shù)組成矩陣列表。

>>> a = arange(6)                         # 1d array
>>> print a
[0 1 2 3 4 5]
>>>
>>> b = arange(12).reshape(4,3)           # 2d array
>>> print b
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
>>>
>>> c = arange(24).reshape(2,3,4)         # 3d array
>>> print c
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

（4）數(shù)組運(yùn)算
數(shù)組上的算術(shù)運(yùn)算符使用元素級(jí)別。將創(chuàng)建一個(gè)新數(shù)組并用結(jié)果填充。

>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False], dtype=bool)

與許多矩陣語言不同，乘法運(yùn)算符*的運(yùn)算在NumPy數(shù)組中是元素級(jí)別的?？梢允褂胐ot函數(shù)或方法執(zhí)行矩陣乘積：

>>> A = np.array( [[1,1],
...             [0,1]] )
>>> B = np.array( [[2,0],
...             [3,4]] )
>>> A*B                         # elementwise product
array([[2, 0],
       [0, 4]])
>>> A.dot(B)                    # matrix product
array([[5, 4],
       [3, 4]])
>>> np.dot(A, B)                # another matrix product
array([[5, 4],
       [3, 4]])

某些操作（如+=和*=）可以修改現(xiàn)有數(shù)組，而不是創(chuàng)建新數(shù)組。

>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
       [3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022  ,  3.72032449,  3.00011437],
       [ 3.30233257,  3.14675589,  3.09233859]])
>>> a += b                  # b is not automatically converted to integer type
Traceback (most recent call last):
  ...
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'

此外，NumPy還有很多強(qiáng)大的功能，大家如果有需要可以到官方參考文檔。