numpy在深度學習或者數據分析中都是很常用的一個工具庫，今天我結合自己的工作內容以及學習到的一個API的用法，來說下numpy的用法
數組（ndarray）與列表（List）
數組與列表類似，是具有相同類型的多個元素構成的整體。
侷限：
- 數組元素要求是相同類型，而列表的元素可以是不同類型。
優勢：
- 數組可以與標量進行運算，數組之間也可以進行矢量化運算。【對應位置的元素進行運算，無需進行循環操作。這樣就可以充分利用現代處理器SIMD Single Instruction,Multiple Data的方式進行並行計算】。
- 數組在運算時，具有廣播能力。【可根據需要進行元素的擴展，完成運算。】
- 數組底層使用C程序編寫，運算速度快。
- 數組底層使用C中數組的存儲方式（緊湊存儲），節省內存空間。
應用對比
- 將兩個等長的列表（數組）分別進行數學運算（例如，+, -等）。
- 將一個列表（數組）中的所有元素進行相同的改變。
- 對步驟2進行計時，衡量時間消耗。（練習）
- 創建相同大小的列表（數組），衡量內存消耗。（練習）
Numpy
NumPy（Numerical Python的簡稱），是科學計算基礎的一個庫，提供了大量關於科學計算的相關功能，例如，線性變換，數據統計，隨機數生成等。其提供的最核心的類型爲多維數組類型（ndarray）。
使用方式
可以使用如下的方式來安裝numpy庫：
pip install numpy
根據慣例，使用numpy庫的導入方式爲：
import numpy as np
在導入之後，我們可以通過：
np.__version__
來查看Numpyu庫的版本信息。
導入numpy
import numpy as np
數組的創建
Numpy提供了很多方式（函數）來創建數組對象，常用的方式如下：
- array 聲明一個基本的數組 如：x = np.array([1,2]),y = np.array([[2,4],[4,5]])
- arange 指定start ，end，step
import numpy as np
c = np.arange(3,89,0.1)
- ones / ones_like 按照參數形狀初始化numpy 初始化全爲1
- zeros / zeros_like 初始化全爲0
- empty / empty_like 指定大小的空矩陣
# 創建全爲1的數組。
x = np.ones((5, 3))
# 創建與參數指定數組形狀一致的數組，數組的值全爲1。
y = np.ones_like(x)
# 創建全爲0的數組。
x = np.zeros((2, 3))
# 創建與參數形狀完全相同的數組，數組的值都爲0。
y = np.zeros_like(x)
# print(y)
# 返回指定的形狀的數組，數組的值是尚未初始化的值。（值多少是不確定的。）
x = np.empty((3, 8))
# 創建與參數形狀完全相同的數組，數組的值是尚未初始化的值。
x = np.empty_like(x)
- full / full_like 這個函數用於數據填充，格式是args0 ，內容是args1如
x = np.full((2, 3), 100)
# np.ones((2, 3))
# 創建與參數形狀完全相同的數組，數組的值使用第二個參數進行填充。
y = np.full_like(x, 200)
y
- eye / identity 對角單位方陣，對角線爲1
- linspace 等差數組
- logspace 等比數組
np.linspace(1, 10, endpoint=False) 創建等比數列。(指數或對數上是一個等差數列，真實值就是一個等比數列。) 前兩個參數表示指數，base表示底數（默認是10）。endpoint表示是否包含終止點（默認包含）。 np.logspace(1, 10, 10, base=2) array([ 2., 4., 8., 16., 32., 64., 128., 256., 512.,1024.])
數組和numpy的速度對比,那個更快？
這個是毫無疑問的一般對於多維數組和矩陣來說矩陣操作更快一些，numpy提供的是矢量操作，多個值可以同時完成同一件事，而數據一般完成這種手段需要手動完成多個線程編寫，或者單線程遍歷，相對慢一些
相關屬性與操作
數組對象具有如下常用屬性：
- ndim
- shape
- dtype
- size
- itemsize
數據類型
- 在創建數組時，也可以使用dtype來顯式指定數組中元素的類型（通過numpy提供的類型進行指定）。
- 如果沒有指定，則會根據元素類型進行推斷。
- 如果元素的類型不同，則會選擇一種兼容的類型。
類型轉換
我們可以通過數組對象的astype函數來進行類型轉換。
是否可以直接修改dtype屬性進行類型轉換？
改變形狀
我們可以通過數組對象的reshape方法（或者np的reshape函數）來改變數組的形狀。
說明：
- 改變數組形狀時，如果維度不小於2，可以將某一個維度設置爲-1。
- numpy中存在很多方法，既可以使用np來訪問，也可以通過數組對象來訪問。
索引與切片
在Python中，序列類型支持索引與切片操作，在numpy庫中，ndarray數組也支持類似的操作。不過，二者之間既有相同點，也有不同點。
相似點
數組對象也支持索引與切片操作，語法與Python中序列類型的索引與切片相似。
當數組是多維數組時，可以使用array[高維, 低維]的方式按維度進行索引或切片。
不同點
數組的切片返回的是原數組數據的視圖（回憶：Python中呢？）。如果需要複製底層的數組元素，可以使用數組對象的copy方法。
注意：視圖是共享底層的數組元素，但視圖並不是賦值。
思考：通過切片，我們可以選取多個元素，但是，如果我們要選取的低維數組（或元素）是不連續的，該怎樣做？
通過整數數組進行索引
當要選取的元素不連續時，可以提供一個索引數組來選擇（或修改）對應索引位置的元素。
說明：
- 通過整數數組索引，返回的是原數組的拷貝，而不是視圖。
- 可以提供多個一維數組索引，此時會將每個數組的對應位置元素作爲索引，返回對應的元素。
通過布爾數組進行索引
我們可以提供一個布爾類型的數組（A），然後通過該數組（A）來對另外一個數組（B）進行索引（元素選取）。索引的原則爲：如果爲True，則選取對應位置的元素，否則不選取。
通過布爾類型的數組進行索引是常見且實用的操作，我們通常用來進行元素選擇（或過濾）操作。例如：
- 選擇一個公司中所有年齡大於15的年齡。
- 選擇兩個數組中對應位置相同的元素。
- 將所有大於100的值設置爲100。
說明：
- 用於索引的布爾數組通常通過現有數組計算得出。
- 可以通過~對條件進行取反操作（不能使用not）。
- 當存在多個條件時，可以使用&，|符號（不能使用and與or）,同時，每個條件需要使用()進行括起。
篇幅問題，下一篇會繼續分享常見函數的用法！