譯者：飛龍
1.1 NumPy 是什么？
NumPy是Python中用于科學(xué)計算的基礎(chǔ)包。它是一個Python庫，提供多維數(shù)組對象，各種派生的對象（如掩碼數(shù)組和矩陣），以及數(shù)組快速操作的各種各樣的例程，包括數(shù)學(xué)、邏輯、圖形操作，排序、選擇、I/O、離散傅里葉變換、基本線性代數(shù)、基本統(tǒng)計操作，隨機(jī)模擬以及其他。
NumPy包的核心是ndarray對象。它封裝了均勻數(shù)據(jù)類型的n維數(shù)組，帶有一些在編譯過的代碼中執(zhí)行的操作。NumPy數(shù)組和Python標(biāo)準(zhǔn)列表有一些重要的差異：
- NumPy數(shù)組在創(chuàng)建時有固定的大小，不像Python列表（可動態(tài)增長）。改變一個ndarray的大小將創(chuàng)建一個新數(shù)組，并刪除原有數(shù)組。
- NumPy數(shù)組中的元素都必須是相同的數(shù)據(jù)類型，從而具有相同的內(nèi)存大小。但有個例外：（Python，包括NumPy）對象數(shù)組的元素大小是不同的。
- NumPy數(shù)組使大量數(shù)據(jù)上的高級數(shù)學(xué)運(yùn)算和其他類型的操作變得容易。通常情況下，這樣的操作可能比使用Python的內(nèi)置列表效率更高，執(zhí)行的代碼更少。
- 越來越多的基于Python的科學(xué)和數(shù)學(xué)包使用NumPy數(shù)組；雖然它們通常支持Python列表作為輸入，但他們會在處理之前將這些輸入轉(zhuǎn)換為NumPy數(shù)組，并總是輸出NumPy數(shù)組。換句話說，為了高效使用許多（也許甚至是大多數(shù)）當(dāng)今基于Python的科學(xué)/數(shù)學(xué)軟件，只要知道如何使用Python的內(nèi)置列表類型是不夠的————你還需要知道如何使用NumPy數(shù)組。
序列大小和速度在科學(xué)計算中尤為重要。例如考慮兩個長度相同的列表中每個元素相乘的情況。如果數(shù)據(jù)被存儲在兩個Python列表 a 和 b 中，我們可以這樣遍歷每個元素：
c = []
for i in range(len(a)):
c.append(a[i]*b[i])
這就產(chǎn)生了正確的答案，但如果 a 和 b 都含有數(shù)以百萬計的數(shù)字，我們將為Python的低效循環(huán)付出代價。我們可以這樣以C語言編寫代碼來完成同樣的任務(wù)（為清楚起見我們忽略變量聲明和初始化、內(nèi)存分配等）：
for (i = 0; i < rows; i++): {
c[i] = a[i]*b[i];
}
這節(jié)省了所有涉及解釋Python代碼和操作Python對象的開銷，但沒有了使用Python編碼的優(yōu)勢。此外，編碼所需的工作量隨數(shù)據(jù)維數(shù)的增加而增加。例如對于一個二維數(shù)組，C代碼（像上面一樣簡寫）會擴(kuò)展為：
for (i = 0; i < rows; i++): {
for (j = 0; j < columns; j++): {
c[i][j] = a[i][j]*b[i][j];
}
}
NumPy綜合了兩種情況的優(yōu)點(diǎn)：元素級別的操作是ndarray的“默認(rèn)模式”，而它又通過執(zhí)行預(yù)編譯的C代碼來加速。在NumPy中：
c = a * b
的行為像之前的例子一樣，幾近于C語言的速度，但是代碼正如我們期望中的那樣，就像標(biāo)準(zhǔn)的Python一樣簡潔。實際上，NumPy的風(fēng)格還能更簡潔！最后這個例子說明了NumPy的兩個特性：向量化（Vectorization）和廣播（Broadcasting），它們是NumPy強(qiáng)大之處的基礎(chǔ)。
向量化用于描述任何缺失的顯式循環(huán)、索引及其它，在代碼這些事情是即時發(fā)生的，當(dāng)然，是在“幕后”（預(yù)編譯的C代碼中）優(yōu)化。向量化編碼的優(yōu)點(diǎn)很多，比如：
- 向量化的代碼更簡潔易讀
- 代碼更少一般意味著更少的錯誤
- 代碼更像標(biāo)準(zhǔn)的數(shù)學(xué)符號（通常情況下，更容易編寫數(shù)學(xué)結(jié)構(gòu)）
- 向量化的結(jié)果更加“Pythonic”。沒有向量化，我們的代碼會更加低效，循環(huán)也難以閱讀。
廣播是描述隱式的元素級操作的術(shù)語；一般來說，NumPy中所有操作，并不只是算術(shù)運(yùn)算，還有邏輯運(yùn)算，位運(yùn)算，函數(shù)運(yùn)算等，以這種隱式的元素層面的方式執(zhí)行，就是廣播。此外，在上面的例子中，a 和 b 可以是相同形狀的多維數(shù)組，或者一個標(biāo)量和一個數(shù)組；甚至可以是不同的形狀的2個數(shù)組，假設(shè)較小的數(shù)組可以以產(chǎn)生明確廣播的方式，擴(kuò)展為較大數(shù)組的尺寸。詳細(xì)規(guī)則見 numpy.doc.broadcasting。
NumPy完全支持ndarray的面向?qū)ο?。例如，ndarray是一個類，擁有許多方法和屬性。它的許多方法復(fù)制了NumPy最外層命名空間的函數(shù)，讓程序員完全自由決定代碼寫成哪個范式，以及哪個范式更適合當(dāng)前的任務(wù)。
1.2 安裝 NumPy
大多數(shù)情況下，在系統(tǒng)上安裝NumPy的最好辦法是使用為你的操作系統(tǒng)預(yù)編譯的包。
一些可選的連接請見 http://scipy.org/install.html 。
有關(guān)源碼包構(gòu)建的說明，請見從源碼中構(gòu)建。這些信息主要用于高級用戶。
