学过python的人应该都接触过numpy这个有名的第三方库，它是一个支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
1.安装numpy
安装方法有两种：
- pip安装：直接在命令行里键入
pip install numpy即可，如果遇到安装速度过慢的情况，可以考虑到清华镜像源下载安装。 - conda安装，在anaconda powershell里输入
conda install numpy,速度慢也可以换源。
我这里已经安装好了，显示如下：
打开idle验证一下安装是否成功：
正确生成了数组，说明numpy安装成功>>> import numpy as np >>> np.__version__#打印版本信息 '1.16.5' >>> np.ones(5)#生成值全为1的数组 array([1., 1., 1., 1., 1.])2. 基础操作
2.1通过维度创建数组
先看由指定维度来创建数组的方法：
>>> a=np.array([1,2,3])#创建一维数组
>>> a
array([1, 2, 3]）
>>> b=np.array([[1,2,3],[4,5,6]])#创建二维数组，高维度同理
>>> b
array([[1, 2, 3],
[4, 5, 6]])
>>> np.zeros([3,3])#生成指定维度的值全为0的数组
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
>>> np.ones([3,3])##生成指定维度的值全为1的数组
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
>>> np.empty([3,3])#生成指定维度的值为随机数的数组
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
>>> np.empty_like(b)#生成和b数组同维度的值为随机数的数组
array([[0, 0, 0],
[0, 0, 0]])
在实际操作中，通过生成a，b数组的方式来创建高维度数组时会显得很麻烦，所以一般使用np.ones或np.zeros来生成指定维度的数组，然后对其中的元素进行修改。
2.2通过数值范围创建数组
2.2.1等差数列
有时候，我们需要通过数值范围来创建数组，比如现在需要一个从1到100的公差为2的等差数列，通过前面的方法也可以创建（先生成指定维度的0数组，再利用循环进行赋值），这样会显得比较繁琐，可以使用arange函数：
#以生成1到20的公差为2的等差数列为例
>>> np.arange(1,20,2)#
array([ 1, 3, 5, 7, 9, 11, 13, 15, 17, 19])
>>> np.arange(start=1,stop=20,step=2)#详细写法
array([ 1, 3, 5, 7, 9, 11, 13, 15, 17, 19])
>>> np.arange(1,20,1)
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17,
18, 19])
arange函数中需要三个参数，依次是起始点、终止点和步长，可以看出：即使步长设置为1，输出的数组也是不包括终止点的，所以arange函数的输入可以看做一个左闭右开区间，如果想要包括终止点，可以让终止点增大一个步长。
除了arange函数，还有一个linspace函数也可以生成等差数列：
#以生成1到10的公差为1的等差数列为例
>>> np.linspace(1,10,10)
array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
>>> np.linspace(start=1,stop=10,num=10)#详细写法
array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
>>> np.linspace(1,10,10,endpoint=False)
array([1. , 1.9, 2.8, 3.7, 4.6, 5.5, 6.4, 7.3, 8.2, 9.1])
linspace函数中需要至少三个参数，依次为起始点、终止点和要生成的等间距点的数量，还有一个可选参数endpoint，它的默认值为True，表示默认包括终止点，此时可将输入理解为一个闭区间，将其设置为False后，输入又变成了一个左闭右开区间。
2.2.2等比数列
numpy同样有函数来创建满足需要的等比数列，函数名字叫logspace，该函数有start、stop、num、endpoint、base五个参数，
| 参数 | 描述 |
|---|---|
| start | 表示所生成数列的起始值为${base}^{start}$ |
| stop | 表示所生成数列的终止值为$base^{stop}$ |
| num | 要生成的等步长的样本数量，默认为50 |
| endpoint | 该值为 True 时，数列中中包含$base^{stop}$ 值，反之不包含，默认是True。 |
| base | 对数 log 的底数，默认值为10 |
实例如下：
#生成1到10000的等差数列
>>> np.logspace(0,4,5)
array([1.e+00, 1.e+01, 1.e+02, 1.e+03, 1.e+04])
>>> np.logspace(0,4,5,endpoint=False)
array([1.00000000e+00, 6.30957344e+00, 3.98107171e+01, 2.51188643e+02,
1.58489319e+03]
#生成1到128的等差数列
>>> np.logspace(0,7,8,base=2)
array([ 1., 2., 4., 8., 16., 32., 64., 128.])
2.3数据类型
在上述的各种函数中，其实都还有一个参数，名字为dtype，它可以用来指定数组中元素的类型，举一个例子：
>>> c=np.array([1,2,3,4])
>>> c
array([1, 2, 3, 4])
>>> c.dtype
dtype('int32')
>>> d=np.array([1,2,3,4],dtype='float32')
>>> d
array([1., 2., 3., 4.], dtype=float32)
这里再附上numpy里的数据类型表（转载于菜鸟教程）：
| 名称 | 描述 |
|---|---|
| bool_ | 布尔型数据类型（True 或者 False） |
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| int8 | 字节（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295） |
| uint64 | 无符号整数（0 to 18446744073709551615） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex_ | complex128 类型的简写，即 128 位复数 |
| complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
