Numpy是專門為資料科學或者資料處理相關的需求設計的一個高效的元件。聽起來是不是挺繞口的，其實簡單來說就2個方面，一是Numpy是專門處理資料的，二是Numpy在處理資料方面很牛逼（肯定比Python原生元件牛逼，否則也不會另外再來搞個Numpy了吧）。其實更加細化的來看其實Numpy最常用的就是矩陣（Matrix）的處理。如何有一點資料處理方面的經驗的話，無論你每一條資料有多少個features(特徵)，它終究是一個二維的矩陣。所以Numpy在資料處理方面是非常常用的。就是簡單點理解就是Numpy其實就是封裝了Python中的list，Numpy其實就是一個high level的List而已，它沒有什麼牛逼的，底層還是Python。好了，閒話少扯了，上面的我個人覺得說的有點小囉嗦了，容易把人搞暈了。咱們還是直接看看下面的例子，看看Numpy的建立，索引，函式吧。下面並不包括Numpy的所有功能，具體很多細節，大家要學會看文件，下面的內容主要介紹一些最基本最常用的一些功能，下面的內容只是一個方向指導作用，具體在業務需求中需要用到什麼API麻煩還是要大家自己去找文件檢視吧。

• Numpy的建立和結構分析

好了，既然咱們這裡要說說Numpy，那咱們就肯定得先有一個Numpy物件啊（如果不知道啥叫物件，麻煩大家直接去看Hello world）. 建立Numpy物件的步驟是先匯入Numpy庫，然後直接呼叫array（）方法。詳情請看下面的例項。

import numpy as np
w = np.array([3,0,5])#w is a numpy array
type(w)

上面的程式碼例項其實就是建立了一個numpy，注意它這裡的w的型別已經不是list了，而是ndarray(其實就是numpy data array 的簡稱)。 w的值也是array([3,0,5])了，而不是直接的[3,0,5]。這裡直接就從表象（也就是最直觀的方面）區別了numpy array和list的區別了。為了更加直觀的展現numpy的結構，下面再用一個二維陣列的例子來說明。

a = np.array([[1,2],[3,4],[5,6]])#a is a 2-dimensional numpy array
print(a)

上面這是一個二維的Numpy array。其實如果你仔細看，她就是把Python中的list作為引數傳遞給了numpy.array()這個方法。a的值如下所示

array([[1, 2],
       [3, 4],
       [5, 6]])

到目前為止，大家肯定心裡犯嘀咕了，這TM也沒有什麼牛逼的啊，比Python中的list搞得還複雜，畢竟Python中的list也可以是一維的也可以是多維的，而且表現形式還更加簡單快速，還更加底層，因而執行速度也更加快。如果僅僅是這麼簡單，說明你們還是太天真，很傻很可愛。哈哈哈哈哈哈，下面我就來說說社會主義的優越性（錯了，是Numpy在資料處理中的優越性）

• Numpy中常用的properties和method

要說Numpy的牛逼之處，就不得不說它提供了豐富的API來快速簡單的操作matrix。首先來介紹一下最常用的properties：transpose（T）和shape。這兩個properties（不是我裝逼，真是忘了中文翻譯是啥了，應該叫成員變數還是啥的）。如果你想轉置一個矩陣，下面一行程式碼搞定

a = np.array([[1,2,3],[4,5,6]])
print(a.T)#transpose of matrix a

一行程式碼搞定矩陣的轉置，方便吧，上面程式碼返回值如下：

array([[1, 4],
       [2, 5],
       [3, 6]])

另外一個重要的特性就是shape啦。這個關鍵字可以直接返回矩陣的row 和 column，在進行資料預處理前，瞭解資料的這些特性，可以非常有效的幫助我們瞭解資料。例如上面我們的a是一個2行3列的矩陣，那麼下面的程式碼就返回(2,3)

a.shape #return a tuple (2,3)

另外，Numpy中有一個非常常用的函式叫做reshape（），它的引數分別是row和column的數量，記住reshape前後，元素的數量要一致，否則會報錯。什麼意思呢，就是加入一個矩陣a是2*3的矩陣，那麼你可以reshape（3,2）或者reshape（6,1），如果你reshape（2,1）它就會報錯。還是那上面的例子吧，參看下面的例子

a1 = a.reshape(3,2)
a2 = a.reshape(6,1)

上面的返回值分別是

array([[1, 2],
       [3, 4],
       [5, 6]])

array([[1],
       [2],
       [3],
       [4],
       [5],
       [6]])

這個功能是不是很牛逼呢。哈哈。。

• Index 和 slicing

既然是矩陣，indexing和slicing應該是經常要用到的，在機器學習中，尤其是slicing更是幾乎都要用到。首先index的話，既可以直接索引一個元素，也可以索引一行資料或者一列資料。具體的例項如下所示

a = np.array([[1,2,3],[4,5,6]]) #create a 2d numpy array
a[0,1]#retrieve the element in the numpy array a with the index of (row = 0, column = 1)
a[0]#retrieve the first row of the matrix a， the effect is the same as a[0,:]
a[:,1]#retrieve the second column of the matrix a

具體的程式碼解釋就看看上面的註釋就行了。這裡需要解釋一下細節部分就是上面a[0,1]返回的是一個scalar（實數），a[0]和a[:,1]返回的都是一維numpy陣列，即使是取的第二列資料，也是一維的而不是二維的。即上面程式碼的返回值如下：

2
array([1,2,3])
array([2,5])

對於slicing而言，她的返回值的維數始終等於原陣列的維數，這句話啥意思呢，簡單來說，slicing分割出來的結果，哪怕只是分割一個元素，它的維數也是跟原陣列的維數一樣。例如分割一個二維陣列，無論你怎麼分割，它的結果都是二維的。這是跟index最大的一個區別。slicing 的結構是 array[row_start:row_end, column_start:column_end]. 具體的例項如下所示

a[0:1,:]# return the first row, 2d array
a[:,0:1]# return the first column, 2d array
a[0:1,0:1]#return the cross of first row and first column, it is still a 2d numpy array though is a single element

看看上面的分割例子，第一個是隻沿著row的方向分割，第二個是隻沿著column的方向分割，第三個是即沿著row也沿著column的方向分割。他們的結果的structure都是和a的structure一樣，都是二維的。結果如下：

array([[1, 2, 3]])
array([[1],
       [4]])
array([[1]])

總結：最後國際慣例都來個大總結啦。其實在機器學習中numpy的常用用法就上面這些，例如建立，index，slicing，transpose和reshape。這些方法和應用場景是最常見的。雖然前面說了這麼多numpy的介紹，但是numpy的庫博大精深，數以萬計的api等待著大家去探索。哈哈哈，莫慌莫慌。隨後numpy相當於封裝了Python中的list，但是在後面你們會看見，機器學習的實踐中直接操作numpy的機率比較少，因為後面還有更牛逼的處理資料的庫，那就是大boss---pandas。 你們也可以理解pandas是對numpy的進一步抽象和封裝，使用起來更加方便快捷。所以大家先理解，記住關鍵是理解numpy的形式和思路就行，不是把上面的內容死記硬背下來，那樣沒有意義，關鍵是一種學習的方法和學習的能力。把基本功練紮實了，咱們才能一起一路打怪升