Numpy学习指南

数组、向量

基于学习Numpy的探索过程（最后有说明），本文从初学者的视角对Numpy模块进行全面了解，给出学习建议与重要的资料检索，不定期更新。在帮自己梳理之外，希望能够给初学者一些帮助。

Numpy是Python科学计算领域中比较基础的包，对多维矩阵的计算、线性代数计算、傅立叶变换、随机数的生成等有非常好的支持。关于Numpy的学习强烈建议从官方文档和源码开始，必要时Google搜索和Stack Overflow提问，最后的办法是去源码的Issue提问。

官方文档：其中的Quickstart tutorial是新手起航的绝佳说明。
Github源码

特别说明

补充一些常用的经典函数说明

随机数生成

在构造矩阵时，利用随机数生成是常用的方法，在Reference查表可以找到随机数生成的模块函数清单，根据说明选择自己需要的函数。

np.random.randint：用来生成指定的整形随机数数组

x_arr = np.random.randint(-1,2,10)
y_arr = np.random.randint(-1,2,10)
coordinate = np.column_stack((x_arr,y_arr))
coordinate
```` 

### 常用函数
#### np.where
针对矩阵做有条件的赋值，非常便捷好用。
```` python
import numpy as np
a = np.arange(9).reshape(3,3)
b = np.where(a > 3,1,0)
b

结果为

1
2
3

array([[0, 0, 0],
       [0, 1, 1],
       [1, 1, 1]])

np.vectorize

用于对某一个函数向量化，输出另一个向量化的函数。以Python实现质数求和的问题举例，下面定义了一个判断质数的函数，返回值为布尔型。

def is_prime(x):
    for i in range(2,x):
        if x%i == 0:
            return False
    else:
        return True

利用np.vectorize对is_prime进行向量化。

1	np.vectorize(is_prime)

得到的是一个基于函数的向量化函数。

1	<numpy.lib.function_base.vectorize at 0x108f71c50>

给得到的函数赋一个数组，得到布尔型的数组。

1
2
3

x = np.vectorize(is_prime)
arr = np.arange(2,10)
x(arr)

结果如下：

1	array([ True, True, False, True, False, True, False, False], dtype=bool)

官方文档

Quickstart tutorial深入浅出，给出了学习的重要逻辑：

了解数组ndarray本身的属性：ndarray.ndim、ndarray.shape、ndarray.size、ndarray.dtype、ndarray.itemsize、ndarray.data。
学会构造数组，这是很基础的一个步骤，在后续的学习实验中根据需要设置实验环境的基础。常用的方法有：array,arrange, zeros, zeros_like, ones, ones_like, empty, empty_like, arange, linspace, numpy.random.rand, numpy.random.randn, fromfunction, fromfile。
输出数组，方法简单，但是可以根据需要调整不同的参数。
后续的更多操作，参见下表，给出了Tutorial的目录翻译逻辑。

英文一级目录	二级目录	中文说明
The Basics		基础知识
	An example	基本案例
	Array Creation	数组创建
	Printing Arrays	数组输出
	Basic Operations	基础操作
	Universal Functions	通用函数
	Indexing, Slicing and Iterating
Shape Manipulation
	Changing the shape of an array	改变数组的形状
	Stacking together different arrays	数组的组合
	Splitting one array into several smaller ones	数组的拆分
Copies and Views
	No Copy at All
	View or Shallow Copy
	Deep Copy	深度复制
	Functions and Methods Overview	函数和方法总览
Less Basic
	Broadcasting rules	广播规则
Fancy indexing and index tricks
	Indexing with Arrays of Indices
	Indexing with Boolean Arrays
	The ix_() function
	Indexing with strings
Linear Algebra		线性代数
	Simple Array Operations	简单的数组操作
Tricks and Tips		一些技巧和提示
	“Automatic” Reshaping
	Vector Stacking
	Histograms

案例展示

纯理论的Numpy文档看完后，利用更明确的问题或者题目来引导学习更加有效。

利用向量化的方法计算100以内质数的和？：在这篇博客中提到了向量化的解决办法，可以参考。
100 numpy exercises：非常有趣的100道Numpy训练题，并且有公开的Github仓库。其中没有答案的文档，建议直接下载做题，我会在后续的学习中针对这份材料进行翻译和选取内容学习。
Numpy tutorial：通过一个案例展示了Numpy包与纯Python方法在一个问题上的求解过程差异，学有余力可以参考。

探索过程

2016年9月因为数据科学课的缘故，开始了数据科学之旅。第一次探索Numpy等一系列开源工具包。现在想来，能够误打误撞的坚持下来真是“无知者无畏”。那个时候为了完成课程作业找到了官方文档，并没有系统的阅读。作业算是完成了，心中积累了不少的问题。
2016年11月底，自己决定把数据科学课的内容回炉。没有了外在压力，自己看的非常细致，Quickstart tutorial读完，豁然开朗，新建了这篇博客笔记。
在Matplotlib的探索过程里不断发现新的资源，对于Numpy的学习提供了更明确的思路，加入文档。

完

声明: 本文转载需标明出处，禁止用于商业目的。

ChangeLog

161201 新建
161203 发布