NumPy 是一个Python 库，用于 Python 编程中的科学计算。在本教程中，你将学习如何在 NumPy 数组上以多种方式添加、删除、排序和操作元素。
NumPy 提供了一个多维数组对象和其他派生数组，例如掩码数组和掩码多维数组。
为什么要用 NumPy
NumPy 提供了一个 ndarray 对象，可以使用它来对任何维度的数组进行操作。 ndarray 代表 N 维数组，其中 N 是任意数字。这意味着 NumPy 数组可以是任何维度的。
与 Python 的 List 相比，NumPy 具有许多优势。我们可以在 NumPy 阵列上执行高性能操作，例如：
- 对数组成员进行排序
- 数学和逻辑运算
- 输入/输出功能
- 统计和线性代数运算
安装 NumPy
要安装NumPy，你的电脑上要先有 Python 和 Pip。
在终端中运行以下命令：
pip install numpy然后你就可以在脚本中导入 NumPy 了，如下所示：
import numpy添加数组元素
可以用 NumPy 模块的 append() 方法向 NumPy 数组中添加元素。
append() 的语法如下：
numpy.append(array, value, axis)value 会被追加到在数组的末尾，并返回一个包含所有元素的 ndarray。
参数 axis 是一个可选的整数，用于定义数组的显示方式。如果没有指定，则数组结构将展平，稍后会演示用法。
以下示例，其中首先声明数组，然后用 append 方法向数组添加更多的值：
import numpy
a = numpy.array([1, 2, 3])
newArray = numpy.append (a, [10, 11, 12])
print(newArray)
# 输出：[ 1 2 3 10 11 12]添加一列
也可以用NumPy 的 append() 方法插入一列。
在下面的例子中，我们创建了一个二维数组并插入了两列：
import numpy
a = numpy.array([[1, 2, 3], [4, 5, 6]])
b = numpy.array([[400], [800]])
newArray = numpy.append(a, b, axis = 1)
print(newArray)
"""
输出：
[[ 1 2 3 400]
[ 4 5 6 800]]
"""如果没有使用 axis 参数，则会输出：
[ 1 2 3 4 5 6 400 800]这就是数组结构的扁平化。
在 NumPy 中，还可以用 insert() 方法插入元素或列。 两者之间的区别在于 insert() 方法可以指定要在哪个索引处添加元素，但 append() 方法会在数组的末尾添加一个值。
Consider the example below:
考虑以下示例：
import numpy
a = numpy.array([1, 2, 3])
newArray = numpy.insert(a, 1, 90)
print(newArray)
# 输出：[ 1 90 2 3]这里 insert() 方法在索引1处添加元素。在Python中数组索引从0开始。
追加一行
也可以用 append() 方法向数组添加行，就像在数组中附加元素一样简单：
import numpy
a = numpy.array([[1, 2, 3], [4, 5, 6]])
newArray = numpy.append(a, [[50, 60, 70]], axis = 0)
print(newArray)
"""
输出“
[[ 1 2 3]
[ 4 5 6]
[50 60 70]]
"""删除元素
可以用 NumPy 模块的 delete() 方法删除 NumPy 数组元素：
import numpy
a = numpy.array([1, 2, 3])
newArray = numpy.delete(a, 1, axis = 0)
print(newArray)
# 输出：[1 3]在本例子中，我们有一个一维数组，用 delete() 方法从数组中删除了索引 1 处的元素。
删除一行
同样，你也可以用 delete() 方法删除行。
下面的例子中我们从二维数组中删除了一行：
import numpy
a = numpy.array([[1, 2, 3], [4, 5, 6], [10, 20, 30]])
newArray = numpy.delete(a, 1, axis = 0)
print(newArray)
"""
输出：
[[ 1 2 3]
[10 20 30]]
"""在 delete() 方法中，首先给出数组，然后给出要删除的元素的索引。在上例中，我们删除了索引为 1 的元素。
检查 NumPy 数组是否为空
可以用 size 方法返回数组中元素的总数。
在下面的例子中有一个 if 语句，通过 ndarray.size 检查数组中是否有元素，其中 ndarray 可以是任何给定的 NumPy 数组：
import numpy
a = numpy.array([1, 2, 3])
if(a.size == 0):
print("The given Array is empty")
else:
print("The array = ", a)
# 输出：The array = [1 2 3]在上面的代码中，数组中有三个元素，因此它不是空的，判断条件将返回false。如果数组中没有元素，则 if 条件会变为 true 并且将打印空消息。如果数组等于：
a = numpy.array([])上述代码将会输出：
The given Array is empty查找值的索引
要查找值对应的索引，可以用 NumPy 模块的 where() 方法，如下例所示：
import numpy
a = numpy.array([1, 2, 3, 4, 5])
print("5 is found at index: ", numpy.where(a == 5))
# 输出：5 is found at index: (array([4]),)如果你只想得到索引，可以这样写：
import numpy
a = numpy.array([1, 2, 3, 4, 5])
index = numpy.where(a == 5)
print("5 is found at index: ", index[0])
#输出： 5 is found at index: [4]NumPy 数组切片
数组切片是从给定数组中提取子集的过程。你可以用冒号（ : ）运算符对数组进行切片，并指定数组索引的开始和结束位置，例如：
array[from:to]下面的例子中提取从索引 2 到索引 5 的元素：
import numpy
a = numpy.array([1, 2, 3, 4, 5, 6, 7, 8])
print("A subset of array a = ", a[2:5])
# 输出：A subset of array a = [3 4 5]如果想要提取最后三个元素，可以通过用负切片来完成操作，如下所示：
import numpy
a = numpy.array([1, 2, 3, 4, 5, 6, 7, 8])
print("A subset of array a = ", a[-3:])
# 输出：A subset of array a = [6 7 8]将函数作用于所有数组元素
在下面的例子中，我们将创建一个 lambda 函数，并传入一个数组，以其应用于所有元素：
import numpy
addition = lambda x: x + 2
a = numpy.array([1, 2, 3, 4, 5, 6])
print("Array after addition function: ", addition(a))
# 输出：Array after addition function: [3 4 5 6 7 8] 在此例中，创建了一个 lambda 函数，它使每个元素都递增 2。
NumPy 数组的长度
要得到 NumPy 数组的长度，可以用 size 属性，如下所示：
import numpy
a = numpy.array([1, 2, 3, 4, 5, 6])
print("The size of array = ", a.size)
# 输出：The size of array = 6从 list 创建 NumPy 数组
假设你有一个列表：
l = [1, 2, 3, 4, 5]现在要根据这个列表创建一个数组，可以用 NumPy 模块的 array() 方法：
import numpy
l = [1, 2, 3, 4, 5]
a = numpy.array(l)
print("The NumPy array from Python list = ", a)
# 输出：The NumPy array from Python list = [1 2 3 4 5]同样，使用 array() 方法，也可以从元组创建 NumPy 数组。如下所示：
import numpy
t = (1, 2, 3, 4, 5)
a = numpy.array(t)
print("The NumPy array from Python Tuple = ", a)
# 输出：The NumPy array from Python Tuple = [1 2 3 4 5]将 NumPy 数组转换为 list
要将数组转换为list，可以使用 NumPy 模块的 tolist()方法。
import numpy
a = numpy.array([1, 2, 3, 4, 5])
print("Array to list = ", a.tolist())
# 输出：Array to list = [1, 2, 3, 4, 5]在这段代码中，我们简单地调用了 tolist() 方法，该方法将数组转换为列表。然后将新创建的列表打印到输出屏幕。
把 NumPy 数组导出为 CSV
要将数组导出为 CSV 文件，可以用 NumPy 模块的 savetxt() 方法，如下所示：
import numpy
a = numpy.array([1, 2, 3, 4, 5])
numpy.savetxt("myArray.csv", a)此代码将在 Python 代码文件所在路径下生成 CSV 文件。当然你也可以指定路径。
该文件的内容如下：
1.000000000000000000e+00
2.000000000000000000e+00
3.000000000000000000e+00
4.000000000000000000e+00
5.000000000000000000e+00你可以把额外填充的零删除，如下所示：
numpy.savetxt("myArray.csv", a,fmt='%.2f')对 NumPy 数组排序
可以用 NumPy 模块的 sort() 方法对 NumPy 数组进行排序：
sort() 函数有一个可选参数 axis（整数），默认为 -1。axis 指定我们要对数组进行排序的轴。 -1 表示将根据最后一个轴对数组进行排序。
import numpy
a = numpy.array([16, 3, 2, 6, 8, 10, 1])
print("Sorted array = ", numpy.sort(a))
# 输出：Sorted array = [ 1 2 3 6 8 10 16]在这个例子中，我们在 print 语句中调用了 sort() 方法。数组 a 被传递给 sort 函数。
归一化数组
归一化数组是指将数组的值置于某个定义范围的过程。例如，我们想要在 -1 和 1 之间对数组进行归一化，依此类推。
归一化的公式如下：
x = (x – xmin) / (xmax – xmin)现在把这个公式用于我们的数组。要查找数组中的最大和最小项，可以分别用 NumPy 的 max() 和 min() 方法。
import numpy
x= numpy.array([400, 800, 200, 700, 1000, 2000, 300])
xmax = x.max()
xmin = x.min()
x = (x - xmin)/(xmax - xmin)
print("After normalization array x = \n", x)
"""
输出：
After normalization array x =
[0.11111111 0.33333333 0. 0.27777778 0.44444444 1.
0.05555556]
"""数组索引
索引指向数组中的一个元素。在下面的例子中，分别用到了一维和二维数组中的索引：
import numpy
a = numpy.array([20, 13, 42, 86, 81, 9, 11])
print("Element at index 3 = ", a[3])
# 输出：Element at index 3 = 86下面是二维数组：
import numpy
a = numpy.array([[20, 13, 42], [86, 81, 9]])
print("Element at index a[1][2] = ", a[1][2])
# 输出：Element at index a[1][2] = 9索引 [1][2] 表示第二行和第三列（索引从 0 开始）。因此在屏幕上输出 9 。
将 NumPy 数组附加到另一个数组上
可以用 append() 方法将 NumPy 数组附加到另一个 NumPy 数组上。
import numpy
a = numpy.array([1, 2, 3, 4, 5])
b = numpy.array([10, 20, 30, 40, 50])
newArray = numpy.append(a, b)
print("The new array = ", newArray)
# 输出：The new array = [ 1 2 3 4 5 10 20 30 40 50]在此例中，创建两个 NumPy 数组 a， b 。然后把两个数组传给 append()。当数组 b 作为第二个参数传递时，将被添加到数组 a 的末尾。
总结
正如大家所见，NumPy 数组用起来非常简单。在使用很多机器学习库时，NumPy 数组非常重要。可以说NumPy 是人工智能的大门。
