共计 1238 个字符，预计需要花费 4 分钟才能阅读完成。
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
申明：版权所有，转载请分割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畛域，很多计算过程能够通过向量和矩阵进行并行化的高效解决，而 NumPy 能够很好地撑持向量化运算。NumPy 包是 Python 生态系统中科学计算的外围撑持之一，数据分析工具库 pandas，计算机视觉工具库 OpenCV 等库都基于 NumPy。相熟 NumPy 之后，出名的深度学习框架 PyTorch、TensorFlow、Keras 等，也能够间接迁徙利用解决的形式，很多操作甚至无需更改就能够在 GPU 运行计算。
n 维数组是 NumPy 的外围概念，大部分数据的操作都是基于 n 维数组实现的。本系列内容笼罩到 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 中最外围的构造之一。数组与 Python 列表有些类似：都用来装载数据，都可能疾速增加或获取元素，插入和移除元素则比较慢。
但 NumPy 数组因其播送个性能够间接进行算术运算，而 Python 列表则须要用列表推导式等操作来实现。比照示例如下（左侧为列表，右侧为 NumPy 数组）：
2.2 Numpy 数组其余特点
- 更紧凑，高维时尤为显著
- 向量化后运算速度比列表更快
- 在开端增加元素时不如列表高效（左侧为列表，右侧为 NumPy 数组）
- 元素类型个别比拟固定
其中，O(N) 示意实现操作所需的工夫与数组大小成正比（请见 Big-O Cheat Sheet），O(1) 示意操作工夫与数组大小无关（详见 Time Complexity）。
材料与代码下载
本教程系列的代码能够在 ShowMeAI 对应的 github 中下载，可本地 python 环境运行，能迷信上网的宝宝也能够间接借助 google colab 一键运行与交互操作学习哦！
本系列教程波及的速查表能够在以下地址下载获取：
- Pandas 速查表
- Matplotlib 速查表
- Seaborn 速查表
拓展参考资料
- Pandas 可视化教程
- Seaborn 官网教程
ShowMeAI 相干文章举荐
- 数据分析介绍
- 数据分析思维
- 数据分析的数学根底
- 业务认知与数据初探
- 数据荡涤与预处理
- 业务剖析与数据挖掘
- 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 外围操作函数大全
- 图解 Pandas 数据变换高级函数
- Pandas 数据分组与操作
- 数据可视化准则与办法
- 基于 Pandas 的数据可视化
- seaborn 工具与数据可视化
ShowMeAI 系列教程举荐
- 图解 Python 编程：从入门到精通系列教程
- 图解数据分析：从入门到精通系列教程
- 图解 AI 数学根底：从入门到精通系列教程
- 图解大数据技术：从入门到精通系列教程
