NumPy是Numerical Python的簡稱，是Python的支持矢量運算的面向N維數組的一個運算庫，目前在機器學習和數據科學領域被廣泛使用，並且當前許多支持科學計算的工具包都是基於NumPy開發的，例如pandas,，scikit-learn，TensorFlow等。
NumPy最大的特點是其對象ndarray，其存儲形式是N維的數組，我們可以將NumPy的1維數據看成是向量，多維數據看成是矩陣，可以把NumPy的計算看成是向量或矩陣運算，這點跟MATLAB特別相似。
說到數組，或許你可能有疑問了，Python本身就包含列表（list）和數組（array），為什麼我們非要用NumPy而不用常規的Python數組呢？這主要是因為NumPy的算法庫都是由C語言編寫，可以直接操作內存，所以極大的提高了運行效率，一般基於NumPy的算法要比純Python快10-100倍，並且佔用的內存更少，可以說是既快又省。
基於NumPy的數據結構特點，本文主要從NumPy的一維數組（可以理解為向量）和多維數組（可以理解為矩陣）2個方面進行介紹，以便於大家系統性的學習NumPy。
一維數組（向量）
- 創建數組
最基本的方式是利用NumPy的array()函數通過列表創建數組。
在實際應用中，我們經常會用到一些已經初始化的數組，比如全0數組、全1數組、隨機數組等等。NumPy也提供了相應的函數zeros()、ones()、random()等函數。
- 數組運算
NumPy對於長度相等的一維數組的運算都會將運算應用到元素級，事實上就是向量的縮放、向量的加減法，需要注意的是兩個數組相乘跟點積是不一樣的。
- 數組的索引和切片
NumPy對於一維數組的索引與Python中列表的索引沒什麼區別。
- 聚合
NumPy中ndarray是一個對象，提供了許多聚合方法用於對象的操作，例如求最大值、最小值、均值等等。
多維數組（矩陣）
- 創建矩陣
同一維數組類似，矩陣的創建既可以通過基本的列表操作實現，也可以用上面提到的初始化函數zeros()、ones()、random()等函數，只不過需要相應的增加維度。
- 矩陣運算
NumPy中矩陣的加減運算同樣將
行列數相等的矩陣應用到元素級，NumPy有個很好的功能叫廣播（broadcast ），既對於行列數不同的矩陣，只要有一個矩陣的行數或列數與另一個矩陣一致，並且是一個一維矩陣，那麼2個矩陣在作運算時，NumPy會自動把那個一維矩陣補充成完整的多維矩陣。
- 點積
NumPy提供了矩陣之間的點積運行函數dot()，可以直接計算矩陣的點積。
- 索引和切片
同樣的，矩陣的索引和切片與Python中2維數組類似，第一個維度對應於行，第二個維度對應於列，取多個元素可以用“：”。
- 矩陣聚合
矩陣同樣支持聚合操作，除了對所有值進行聚合，NumPy還支持對特定的軸進行聚合，axis=0（既0軸）表示對橫軸進行操作，在計算上是沿著橫軸方向一列一列計算；axis=1（既1軸）表示對縱軸進行操作，在計算上是沿著縱軸方向一行一行計算。
- 矩陣變換
在線性代數中常常用到舉證的變換，例如矩陣轉置、矩陣重塑。NumPy提供了.T屬性用於矩陣的轉置，reshape()函數用於矩陣的重塑。
總結
NumPy在Python線性代數的運算中提供了非常好的數據結構，其ndarray對象擁有許多方便的方法和屬性，並且其良好的運算性能也是純Python不能替代的，所以在機器學習中NumPy是非常強大的存在，學好NumPy是機器學習實現各種算法的基礎。
閱讀更多 科技要述 的文章
