1. 简单介绍

行业常说的“数据分析三剑客”或者“机器学习三剑客”，指的就是 numpy(计算), matplotlib(可视化), pandas(分析) 这三个 python 库。如果拿自然科学学科类比，matplotlib 相当于“物理学”，pandas 相当于“化学”，而 numpy 就是“数学”, 是其他学科赖以立足的“基石”。

numpy 之所以是基石，是因为 numpy 为 matplotlib 和 pandas 等提供了底层数据结构和计算支持。而 numpy 核心数据结构就是多维数组(ndarray: N-dimensional array)。

2. 准备工作

这个小节过渡有点突兀，但是为了下一步顺利运行代码，不得不强行插播这条“准备工作”。

2.1 安装

2.1.1 检查是否安装

conda list | grep numpy复制代码

或:

pip freeze | grep numpy复制代码

2.1.2 安装

已安装，请跳过。

conda install numpy复制代码

或:

pip install numpy复制代码

2.1.3 更新

已安装，可选择更新。

conda update numpy复制代码

或:

pip install --upgrade numpy复制代码

2.2 导入

np 为行业惯例缩写。

import numpy as np复制代码

3. 多维数组(numpy.ndarray: N-dimensional array)

如果熟悉 matlab (矩阵实验室)，我们知道 matlab 科学计算建立在“矩阵”之上。而，numpy 的多维数组有异曲同工之妙。

3.1 创建

3.1.1 使用 np.array() 创建

以下通过一个二维列表创建一个 numpy 多维数组(numpy.ndarray) 。在 numpy 中，维度这个概念也叫秩 ，英文叫Axes ，因此，这里创建的二维数组，我们也可以称之为秩为 2 的多维数组，它包含了 2 个轴(Axis)。数组的 shape 属性是一个元组，对应多维数组每个 轴(Axis) 长度；size属性是多维数组所有元素个数，它等于 shape 所有元素的乘积。

说起来很复杂，但是实际很简单，通过下面的打印输出，我们可以很直观的理解，各个属性之间的关系。

na = np.array([[1, 2, 3], [4, 5, 6]])print( """ 对象类型:{} 形状:{} 维度(秩):{} 元素个数:{} 元素类型:{} """ .format(type(na), na.shape, na.ndim, na.size, na.dtype))na复制代码 对象类型: 形状:(2, 3) 维度(秩):2 元素个数:6 元素类型:int64 array([[1, 2, 3], [4, 5, 6]])复制代码

3.1.2 使用 np.zeros() 创建

如果不是事先就知道各元素的数值，使用 np.array() 的方式，难免有些繁琐，相比之下，只是先初始化一个全为 0 的多维数组，np.zeros() 无疑是更适合的选择。使用 np.zeros() 只需提供 shape 参数，也是第一个位置参数，就可以创建指定 shape 的多维数组，并将数组所有元素填充为 0 。

na = np.zeros((2, 3))print("dtype: