三、Numpy
- 简介
- ndarray
- 通用函数
- 其他
1、简介
Numpy是高性能科学计算和数据分析的基础包。它也是pandas等其他数据分析的工具的基础，基本所有数据分析的包都用过它。NumPy为Python带来了真正的多维数组功能，并且提供了丰富的函数库处理这些数组。它将常用的数学函数都支持向量化运算，使得这些数学函数能够直接对数组进行操作，将本来需要在Python级别进行的循环，放到C语言的运算中，明显地提高了程序的运算速度。
安装方法：
pip install numpy
引用方式：
import numpy as np
这是官方认证的导入方式，可能会有人说为什么不用from numpy import *,是因为在numpy当中有一些方法与Python中自带的一些方法，例如max、min等冲突，为了避免这些麻烦大家就约定俗成的都使用这种方法。
2、ndarray -多维数组对象
Numpy的核心特征就是N-维数组对——ndarray.
1、为什么要是用ndarray?
接下来我们可以通过具体的实例来展示一下ndarray的优势。
现在有这样一个需求:
已知若干家跨国公司的市值（美元），将其换算为人民币按照Python当中的方法
第一种：是将所有的美元通过for循环依次迭代出来，然后用每个公司的市值乘以汇率
第二种：通过map方法和lambda函数映射
这些方法相对来说也挺好用的，但是再来看通过ndarray对象是如何计算的
通过ndarray这个多维数组对象可以让这些批量计算变得更加简单，当然这只它其中一种优势，接下来就通过具体的操作来发现。
2、创建ndarray对象
np.array()3、ndarray是一个多维数组列表
接下来就多维数组举个例子：
有的人可能会说了，这个数组跟Python中的列表很像啊，它和列表有什么区别呢？
- 数组对象内的元素类型必须相同
- 数组大小不可修改
4、常用属性
| 属性 | 描述 | |
|---|---|---|
| T | 数组的转置（对高维数组而言） | |
| dtype | 数组元素的数据类型 | |
| size | 数组元素的个数 | |
| ndim | 数组的维数 | |
| shape | 数组的维度大小（以元组形式） |
T:转置
li1 = [
[1,2,3],
[4,5,6]
]
a = np.array(li1)
a.T
执行结果：
array([[1, 4],
[2, 5],
[3, 6]])
就相当于是将行变成列，列变成行，它也是一个比较常用的方法5、数据类型
- dtype
| 类型 | 描述 | |
|---|---|---|
| 布尔型 | bool_ | |
| 整型 | int_ int8 int16 int32 int 64 | |
| 无符号整型 | uint8 uint16 uint32 uint64 | |
| 浮点型 | float_ float16 float32 float64 | |
| 复数型 | complex_ complex64 complex128 |
整型：
int32只能表示(-2**31，2**31-1),因为它只有32个位，只能表示2**32个数
无符号整型：
只能用来存正数，不能用来存负数
补充：
astype()方法可以修改数组的数据类型
6、ndarray-创建