作者：韩信子@ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/33
本文地址：http://www.showmeai.tech/article-detail/141
声明：版权所有，转载请联系平台与作者并注明出处
一、NumPy介绍
数据分析、机器学习和深度学习领域，很多计算过程可以通过向量和矩阵进行并行化的高效处理，而NumPy可以很好地支撑向量化运算。NumPy 包是Python生态系统中科学计算的核心支撑之一，数据分析工具库 pandas，计算机视觉工具库OpenCV等库都基于NumPy。熟悉NumPy之后，知名的深度学习框架PyTorch、TensorFlow、Keras等，也可以直接迁移应用处理的方式，很多操作甚至无需更改就可以在GPU运行计算。
n维数组是NumPy的核心概念，大部分数据的操作都是基于n维数组完成的。本系列内容覆盖到1维数组操作、2维数组操作、3维数组操作方法，本篇为系列导入文章。
二、NumPy数组
2.1 列表 VS 数组
n维数组是NumPy中最核心的结构之一。数组与Python列表有些相似：都用来装载数据，都能够快速添加或获取元素，插入和移除元素则比较慢。
但NumPy数组因其广播特性可以直接进行算术运算，而Python列表则需要用列表推导式等操作来完成。对比示例如下（左侧为列表，右侧为NumPy数组）：
2.2 Numpy数组其他特点
- 更紧凑，高维时尤为明显
- 向量化后运算速度比列表更快
- 在末尾添加元素时不如列表高效（左侧为列表，右侧为NumPy数组）
- 元素类型一般比较固定
其中，O(N)表示完成操作所需的时间与数组大小成正比（请见Big-O Cheat Sheet），O(1)表示操作时间与数组大小无关（详见Time Complexity）。
资料与代码下载
本教程系列的代码可以在ShowMeAI对应的github中下载，可本地python环境运行，能科学上网的宝宝也可以直接借助google colab一键运行与交互操作学习哦！
本系列教程涉及的速查表可以在以下地址下载获取：
拓展参考资料
ShowMeAI相关文章推荐
- 数据分析介绍
- 数据分析思维
- 数据分析的数学基础
- 业务认知与数据初探
- 数据清洗与预处理
- 业务分析与数据挖掘
- 数据分析工具地图
- 统计与数据科学计算工具库Numpy介绍
- Numpy与1维数组操作
- Numpy与2维数组操作
- Numpy与高维数组操作
- 数据分析工具库Pandas介绍
- 图解Pandas核心操作函数大全
- 图解Pandas数据变换高级函数
- Pandas数据分组与操作
- 数据可视化原则与方法
- 基于Pandas的数据可视化
- seaborn工具与数据可视化
python
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。