NumPy 库和 ufuncs 的一些基础知识
NumPy 代表数值 Python，是一个 蟒蛇 用于处理数组的库。借助这些数组，线性代数中的元素（例如向量和矩阵）可以表示为 蟒蛇。由于该库的很大一部分是用 C 编写的，因此即使对于大型矩阵，它也可以执行特别高效和快速的计算。
蟒蛇 提供多种数据结构，无需额外的库即可用于存储数据。然而，这些结构，例如 Python 列表，非常不适合数学运算。添加两个 名单 在处理大量数据时，逐个元素的数字很快就会损害性能。
因此，NumPy 被开发出来，因为它提供了快速有效地执行数值运算的可能性。尤其重要的是线性代数领域的计算，例如矩阵乘法。
NumPy 与许多其他库一样，可以使用 pip 直接从笔记本安装。为此，请使用命令“pip install”和模块名称。该行前面必须有感叹号，以便笔记本识别它是终端命令：
如果安装成功，则可以简单地导入该模块并在笔记本中使用。这里经常使用缩写“np”，是为了在编程过程中节省一点时间，而不必每次都输入 NumPy：
NumPy 数组是传统数组的有效替代方案 Python 列表。它们提供了存储多维数据集合的可能性。在大多数情况下，存储数字并将数组用作向量或矩阵。例如，一维向量可能如下所示：
除了 NumPy 数组的不同功能（我们将在另一篇文章中介绍）之外，可能的维度对于区分仍然很重要：
区分以下维度：
- 0D — 数组：这只是一个标量，即单个数字或值。
- 1D — 数组：这是一个向量，作为一维数字或值的字符串。
- 2D — 数组：这种类型的数组是一个矩阵，即多个一维数组的集合。
- 3D — 数组：几个矩阵形成一个所谓的张量。我们在有关的文章中更详细地解释了这些内容 TensorFlow.
根据来源的不同，NumPy 数组和 NumPy 数组之间存在几个基本差异 Python 列表。其中最常提到的是：
- 内存消耗：数组的编程方式是占用内存的特定部分。数组的所有元素都位于此处。的元素 名单另一方面，在内存中可能相距很远。结果，一个 名单 比相同的数组消耗更多的内存。
- 迅速的：数组的处理速度也比 名单 由于其内存消耗较低。对于具有数百万个元素的对象来说，这可能会产生显着的差异。
- Functionality：数组提供了更多的功能，例如，它们允许逐个元素操作，而列表则不允许。
所谓的“通用函数”（简称：ufuncs）用于不必逐个元素执行某些操作，而是直接对整个数组执行某些操作。在计算机编程中，当直接对整个向量执行命令时，我们会提到所谓的向量化。
这不仅使编程速度更快，而且计算速度也更快。在 NumPy 中，提供了其中几个通用函数，可用于各种操作。其中最著名的是：
- 使用“add()”，您可以逐个元素对多个数组求和。
- “subtract()”正好相反，它逐个元素地减去数组。
- “multiply()”将两个数组逐个元素相乘。
- “matmul()”形成两个数组的矩阵乘积。请注意，在大多数情况下，这不会给出与“multiply()”相同的结果。
- NumPy 代表 Numerical Python，是一个用于处理数组的 Python 库。
- 借助这些数组，线性代数中的元素（例如向量和矩阵）可以用 Python 表示。
- 由于该库的大部分内容都是用 C 语言编写的，因此即使对于大型矩阵，它也可以执行特别高效且快速的计算。
- NumPy 数组与 Python 列表相当，但在内存要求和处理速度方面明显优于 Python 列表。
NumPy 简短介绍从来源重新发布 https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 通过 https://towardsdatascience.com/feed
–>
