本项目名为：动手学NumPy。包含以下内容
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API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。除其他外，它包括：
- 功能强大的N维数组对象。
- 精密广播功能函数。
- 集成 C/C+和Fortran 代码的工具。
- 强大的线性代数、傅立叶变换和随机数功能。
- NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（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来的数组。
- 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。 例外情况：Python的原生数组里包含了NumPy的对象的时候，这种情况下就允许不同大小元素的数组。
- 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，这些操作的执行效率更高，比使用Python原生数组的代码更少。
- 越来越多的基于Python的科学和数学软件包使用NumPy数组; 虽然这些工具通常都支持Python的原生数组作为参数，但它们在处理之前会还是会将输入的数组转换为NumPy的数组，而且也通常输出为NumPy数组。换句话说，为了高效地使用当今科学/数学基于Python的工具（大部分的科学计算工具），你只知道如何使用Python的原生数组类型是不够的 - 还需要知道如何使用 NumPy 数组。
NumPy里有两个重要的对象：ndarray（N-dimensional array object）解决了多维数组问题，而 ufunc（universal function object）则是解决对数组进行处理的函数。
ndarray 实际上是多维数组的含义。在 NumPy 数组中，维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。在 NumPy 中，每一个线性的数组称为一个轴（axes），其实秩就是描述轴的数量。
构建ndarry：
import numpy as np
a = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
a[1,1]=10
print("shape: ", a.shape)
print("dtype: ", a.dtype)
print("a: \n", a)
print("a[:, 1]: \n", a[:,1])输出结果：
shape: (3, 3)
dtype: int64
a:
[[ 1 2 3]
[ 4 10 6]
[ 7 8 9]]
a[:, 1]:
[ 2 10 8]此时数组a就有两个轴，0和1。
ufunc 是 universal function 的缩写，是不是听起来就感觉功能非常强大？确如其名，它能对数组中每个元素进行函数操作。NumPy 中很多 ufunc 函数计算速度非常快，因为都是采用 C 语言实现的。
import numpy as np
x1 = np.arange(1,11,2) #参数为：起始值，终止值，步长（不包括终止值）
x2 = np.linspace(1,9,5) #参数为：起始值，终止值，元素个数（包括终止值）import numpy as np
x1 = np.arange(1,11,2)
x2 = np.linspace(2,10,5)
print("x1: \n", x1)
print("x2: \n", x2)
print("add: \n", np.add(x1, x2)) #加
print("subtract: \n", np.subtract(x1, x2))#减
print("multiply: \n", np.multiply(x1, x2))#乘
print("divide: \n", np.divide(x1, x2))#除
print("power: \n", np.power(x1, x2))#求幂
print("remainder: \n", np.remainder(x1, x2))#取余输出结果：
x1:
[1 3 5 7 9]
x2:
[ 2. 4. 6. 8. 10.]
add:
[ 3. 7. 11. 15. 19.]
subtract:
[-1. -1. -1. -1. -1.]
multiply:
[ 2. 12. 30. 56. 90.]
divide:
[0.5 0.75 0.83333333 0.875 0.9 ]
power:
[1.0000000e+00 8.1000000e+01 1.5625000e+04 5.7648010e+06 3.4867844e+09]
remainder:
[1. 3. 5. 7. 9.]#统计矩阵中的最大值与最小值
import numpy as np
a = np.array([[8,6,1],
[2,4,7],
[3,9,5]])
print("a: \n", a)
print("min: \n", np.amin(a))#整个矩阵中最小值
print("axis=0 min: \n", np.amin(a,axis=0))#axis=0方向的最小值
print("axis=1 min: \n", np.amin(a,axis=1))#axis=1方向的最小值
#max与此相同
print("median： \n", np.median(a))#求中位数
print("mean: \n", np.mean(a))#求均值
print("average: \n", np.average(a))#求平均值
print("std: \n", np.std(a))#求标准差
print("var: \n", np.var(a))#求方差输出结果：
a:
[[8 6 1]
[2 4 7]
[3 9 5]]
min:
1
axis=0 min:
[2 4 1]
axis=1 min:
[1 2 3]
median：
5.0
mean:
5.0
average:
5.0
std:
2.581988897471611
var:
6.666666666666667import numpy as np
a = np.array([[4,3,2],
[2,4,1]])
print("a: \n", a)
print("sort: \n", np.sort(a))
print("axis=None sort:\n", np.sort(a, axis=None))
print("axis=0 sort: \n", np.sort(a, axis=0))
print("axis=1 sort: \n", np.sort(a, axis=1))输出结果：
a:
[[4 3 2]
[2 4 1]]
sort:
[[2 3 4]
[1 2 4]]
axis=None sort:
[1 2 2 3 4 4]
axis=0 sort:
[[2 3 1]
[4 4 2]]
axis=1 sort:
[[2 3 4]
[1 2 4]]NumPy进阶操作请查看：链接
numpy-100是将numpy的常用操作整理为练习题下载链接，学习完以上内容可以使用此练习题检测自己的学习效果，numpy-100原作者。黄海广博士也对此进行了整理numpy-100。
使用方法 文件夹有三个不同的ipynb文件:
- 100_Numpy_exercises_no_solution.ipynb
没有答案代码的文件，这个是你做的练习
- 100_Numpy_exercises_with_hint.ipynb
没有答案代码的文件，但有提示，这个你也可以用来练习
- 100_Numpy_exercises.ipynb
有答案代码和注释的文件
你可以在100_Numpy_exercises_no_solution.ipynb 里输入代码，看看运行结果是否和100_Numpy_exercises.ipynb 里面的内容一致。
[1] Rakshith Vasudev: https://medium.com/hackernoon/introduction-to-numpy-1-an-absolute-beginners-guide-to-machine-learning-and-data-science-5d87f13f0d51
[2] Piotr Skalski: https://towardsdatascience.com/lets-code-a-neural-network-in-plain-numpy-ae7e74410795
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent