numpy,numpy中计算标准差的方法

什么是 NUMPY ？

蓝海大脑边缘计算液冷服务器研究人员表示：

NumPy 是一个免费的 Python 编程语言开源库，它功能强大、已经过充分优化，并增加了对大型多维数组（也称为矩阵或张量）的支持。NumPy 还提供了一系列高级数学函数，可与这些数组结合使用。其中包括基本的线性代数、随机模拟、傅立叶变换、三角运算和统计运算。

NumPy 代表 “numerical Python”，基于早期的 Numeric 和 Numarray 库构建而成，旨在为 Python 提供快速的数字计算。如今，NumPy 贡献者众多，并得到了 NumFOCUS 的赞助。

作为科学计算的核心库，NumPy 是 Pandas、Scikit-learn 和 SciPy 等库的基础。它广泛应用于在大型数组上执行优化的数学运算。

numpy怎么发音?

numpy 读法是：英['n?mpi]

NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），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。

扩展资料

Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。

Numpy底层使用C语言编写，数组中直接存储对象，而不是存储对象指针，所以其运算效率远高于纯Python代码。

参考资料来源：百度百科-numpy

numpy主要特点

二、Numpy介绍

一个强大的N维数组对象

支持大量的数据运算

集成C / C++和Fortran代码的工具

众多机器学习框架的基础库(Scipy/Pandas/scikit-learn/Tensorflow)

三、Numpy的特点

为什么Numpy会快？

我们都知道Python作为一个动态语言一大特点就是慢，语言本身的特点我们可以抛开不说，并且CPython还带有GIL锁，发挥不了多核的优势，但是我们前面学过那么多也没怎么体会到速度慢呢？？？那是因为前面的django、flask或者scrapy这些框架，其实都是一些基于网络的操作（主要是IO操作）。这里给大家思考题了，为什么网络操作其实并不怎么会受到GIL的影响？快快快思考，如果不知道，我在这里给一张图，就不过多解释了，注意大小顺序按照开销排序

请点击输入图片描述

但是，如果是我们机器学习怎么办，充满大量的计算。没有解决这个问题，会消耗大量的时间运算，如果还是使用原来的Python函数或者工具，那么估计在机器学习领域就没有Python什么事情了！但是有的Numpy就好多了，接下来我们了解了解Numpy到底好在哪？

1、Numpy的数组内存块风格

在numpy当中一个核心就是ndarray(这个稍后会详细介绍)，那么这个称之为数组的东西到底跟原本的python列表有什么不同呢，请看一张图：

请点击输入图片描述

从图中我们看出来numpy其实在存储数据的时候，数据与数据的地址都是连续的，这样就给我们操作带来了好处，处理速度快。在计算机内存里是存储在一个连续空间上的，而对于这个连续空间，我们如果创建 Array 的方式不同，在这个连续空间上的排列顺序也有不同。

创建array的默认方式是 “C-type” 以 row 为主在内存中排列

如果是 “Fortran” 的方式创建的，就是以 column 为主在内存中排列

如下图：

请点击输入图片描述

请点击输入图片描述

2、Numpy的并行化运算

那么numpy的第二个特点就是，支持并行化运算，也叫向量化运算。当然向量是数学当中的概念，我们不过多解释，只需要知道他的优势即可。

numpy的许多函数不仅是用C实现了，还使用了BLAS（一般Windows下link到MKL的，下link到OpenBLAS）。基本上那些BLAS实现在每种操作上都进行了高度优化，例如使用AVX向量指令集，甚至能比你自己用C实现快上许多，更不要说和用Python实现的比。

也就是说numpy底层使用BLAS做向量，矩阵运算。比如我们刚才提到的房子面积到价格的运算，很容易使用multi-threading或者vectorization来加速。

问一下Python里的numpy的正确读法是什么?

?numpy?读法是:英['n?mpi]，NumPy是Python中科学计算的基础包。

它是一个Python库，提供多维数组对象，各种派生对象(如掩码数组和矩阵)，以及用于数组快速操作的各种例程，包括数学逻辑，形状操作，I / O离散傅立叶变换，随机模拟等等。

NumPy包的核心是ndarray对象。这封装了同构数据类型的n维数组，许多操作在编译代码中执行以提高性能。

NumPy数组和标准Python序列之间有几个重要的区别：

1、NumPy数组在创建时具有固定大小，与Python列表(可以动态增长)不同。更改ndarray的大小将创建一个新数组并删除原始数组。

2、NumPy数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。例外：可以有(Python，包括NumPy)对象的数组，从而允许不同大小的元素的数组。

3、NumPy数组有助于对大量数据进行高级数学和其他类型的操作。通常，与使用Python的内置序列相比，这些操作的执行效率更高，代码更少。

4、越来越多的基于Python的科学和数学软件包正在使用NumPy数组；虽然这些通常支持Python序列输入，但它们在处理之前将这些输入转换为NumPy数组，并且它们通常输出NumPy数组。

numpy 使用

可以使用如下的方式来安装numpy库：

pip install numpy

根据惯例，使用numpy库的导入方式为：

import numpy as np

在导入之后，我们可以通过：

np.__version__

来查看Numpyu库的版本信息。

Numpy提供了很多方式（函数）来创建数组对象，常用的方式如下：

数组对象具有如下常用属性：

我们可以通过调用ravel或flatten方法，对数组对象进行扁平化处理。

二者的区别在于，ravel返回原数组的视图，而flatten返回原数组的拷贝。

Numpy基础20问

一言以蔽之，numpy是python中基于数组对象的科学计算库。

提炼关键字，可以得出numpy以下三大特点：

因为numpy是一个python库，所以使用python包管理工具pip或者conda都可以安装。

安装python后，打开cmd命令行，输入：

即可完成安装。

n维数组（ndarray）对象，是一系列 同类数据 的集合，可以进行索引、切片、迭代操作。

numpy中可以使用 array 函数创建数组:

判断一个数组是几维，主要是看它有几个轴（axis）。

一个轴表示一维数组，两个轴表示二维数组，以此类推。

每个轴都代表一个一维数组。

比如说，二维数组第一个轴里的每个元素都是一个一维数组，也就是第二个轴。

一维数组一个轴：

二维数组两个轴：

三维数组三个轴：

以此类推n维数组。

numpy中常用 array 函数创建数组，传入列表或元组即可。

创建一维数组，并指定数组类型为 int ：

创建二维数组：

还可以使用 arange 函数创建一维数字数组，用法类似python的 range 函数.

numpy的 random 模块用来创建随机数组。

random模块还有其他函数，这里不多说。

前面说到，数组维度即代表轴的数量。

我们可以通过数组（adarray）对象的ndim或shape属性，来查看轴的数量。

数组（ndarray）对象的 size 属性可以查看数组包含元素总数。

还可以通过 shape 属性返回元素的乘积，来计算数组元素数量。

Numpy支持的数据类型非常多，所以很适合做数值计算。

下面给出常见的数据类型：

数组（adarrry）对象提供 dtype 属性，用来查看数组类型。

前面说过，数组的 shape 属性返回一个元组，能够反映数组的形状，包括维度以及每个轴的元素数量。

那么如果给定一个数组，怎么改变其形状呢？

常用的方式有两种：

比如说我要将一个二维数组转换为三维数组。

reshape 方法可以传入整数或者元组形式的参数。

传入的参数和 shape 属性返回的元组的含义是一样的。

例如， x2.reshape(1,2,3) 是将二维数组转换成三维数组，参数个数代表要转换的维度，参数数字从左到右分别表示0轴、1轴、2轴的元素数量。

resize 方法和 reshape 方法使用形式一样，区别是 resize 方法改变了原始数组形状。

numpy一维数组的索引和切片操作类似python列表，这里不多讲。

比如说取一维数组前三个元素。

重点是对多维数组的索引和切片。

多维数组有多个轴，那么就需要对每个轴进行索引。

例如，三维数组形状为(x,y,z)，分别代表：0轴有x个元素、1轴有y个元素，2轴有z个元素。

对0、1、2轴进行索引，如果取o轴第2个元素、1轴第0个元素、2轴第3个元素，那么索引形式就为[2,0,3]。

切片也是同样道理。

如果取o轴前2个元素、1轴前1个元素、2轴后2个元素，那么切片形式就为[:2,:1,-2:]。

说到迭代，大家很容易想到直接对数组直接使用 for 循环操作，对于一维数组来说，当然是可以的。

但对于多维数组，迭代是相对于0轴完成的，就是多维数组最外层的那一维。

你没有办法直接遍历数组里每一个元素，嵌套循环又太低效。

这个时候就需要用到 flat 方法，它可以将多维数组平铺为一维的迭代器。

数组（ndarray）对象提供了ravel方法，用来将多维数组展开为一维数组。

广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对多个数组的算术运算通常在相应的元素上进行。

较小的数组在较大的数组上“广播”，以便它们具有兼容的形状。

比如说一个一维数组乘以一个数字，相当于一维数组里每个元素都乘以这个数。

如果相同维度的数组进行运算，其shape相同，那么广播就是两个数组相同位数的元素进行运算。

如果两个数组维度不同，进行运算，这里就触发了广播的两个规则。

这两个规则保证了不同维度数组进行运算时，其维度自动调整成一致。

numpy提供了 transpose 函数用以对数组进行维度的调换，也就是转置操作。

转置后返回一个新数组。

当然，可以用更简单的方法。

数组对象提供了 T 方法，用于转置，同样会返回一个新数组。

numpy的 concatenate 函数用于沿指定轴连接相同形状的两个或多个数组。

numpy的 unique 函数用于去除数组中的重复元素，返回一个新数组。

unique 函数还能返回重复元素的索引、计数等信息，可去查文档自定义参数。

numpy文档

菜鸟教程