为什么我们要学习NumPy ?看看整体运算的威力所在

如下带你走进 @ 机器人时代

Discover 点击上面蓝色文字，关注我们

Python中相当重要的科学计算库非NumPy莫属。

无论是商务数据挖掘、科学计算、人工智能、图像识别等等所有涉及到数据处理的模块，绝大多数都建立在NumPy基础之上，因为相比其他工具而言，NumPy是一个比较单纯的数学工具包。

事实证明，NumPy不仅又好用又高效，而且功能还非常强大。既然大多数数据处理模块都调用NumPy处理数据，那么我们只要学好NumPy的基础，把我们的数据包装成为NumPy的数据结构，就会被大多数模块调用、处理，从而简化了数据交流、数据转换的问题。

学习NumPy能逐步建立起类似于维度、整体运算等等的思维方式，为学习使用Pandas打好基础。

前面我们已经了解过NumPy数组的创建以及数据类型，今天我们来看看NumPy的整体运算：

当我们需要处理一些表格数据的时候，很多初学编程的朋友会使用循环语句将数据取出来挨个进行运算，如果数据维度较多，可能需要更多的循环来进行处理。例如下面一些数据：

s=[[12,13,18,29],[33,45,67,39],[22,15,55,77]]

这是一个二维数组，如果需要将每一个数字都乘以10，以前我们会使用一个循环语句：

for i in s:\n for j in i:\n print(j*10)

根据计算结果，还需要重新把它组装成一个二维数组，看起来比较麻烦。

如果不是乘以10，而是需要和另外一个二维数组相乘，是不是更加复杂和麻烦呢？不仅如此，在程序运行的速度和性能上也大打折扣。

使用NumPy是如何解决这个问题的呢？我们来看看：

是不是超级简单？‘+-*/’的运算，就是一行代码搞定！

我们来看看NumPy的运算性能如何，使用list生成一个1000万的数组，range(1,10000000)，然后我们把每一个数字都乘以10000，用循环的方式和NumPy数组运算的方式来比较：

是不是很令人惊讶？

那么NumPy支持什么样的运算方式呢？

abs求绝对值，sqrt计算平方根，exp计算指数，log计算自然对数，log2计算以2为底的对数，log10计算以10为底的对数，ceil大于等于该值的最小整数，floor小于等于该值的最小整数，sin\\cos\\tan正弦、余弦、正切函数、还有反三角函数：arcsin\\arccos\\arctan等等。

例如：x=np.abs(s)，注意写法，要加上np.才可以。

如果需要对运算的结果进行四舍五入，只需要写上：np.round(x，2)即可。

如果是两个数组进行运算的情况，也是一样的效果：

点积运算：行看左边，列看右边的规则。

a=[[1,2,3],\n [4,5,6]]\nb=[[7,8],\n [9,10],\n [11,12]]\nnp.dot(a,b)\n结果：\narray([[ 58, 64],\n [139, 154]])

点积运算是什么算出来的呢？用左边数组的第一行与右边第一列的元素两两相乘，得到结果7、18、33，然后将他们相加得到58为结果中第一个元素；之后，再用左边第一行与右边第一列进行运算，结果相加得64，为结果第一行第2个元素，以此类推。

那么点积运算有什么用处呢？我们来看一组数据：

这是某公司产品销售数据表和奖励标准，如果我们要计算第一季度发放提成，就能得到下表：

显然，这就是一个点积运算，大家可以试试：

a=[[23,32],[18,28],[21,33]]\nb=[[312,335,321],[225,221,231]]\nnp.dot(a,b)\n输出结果：\narray([[14376, 14777, 14775],\n [11916, 12218, 12246],\n [13977, 14328, 14364]])

如果我们用循环来实现的话，就会非常麻烦。点积运算也可以写成这样：

a=np.array(a)\nb=np.array(b)\na.dot(b)\n结果：\narray([[14376, 14777, 14775],\n [11916, 12218, 12246],\n [13977, 14328, 14364]])

本来需要各种多重循环才能搞定的运算，一个整体运算就可以搞定，是不是很方便？

坚持学习，这样每天都能进步一点点！

往期回顾：

本文引用和摘录相关内容，请联系侵删。

- END -

最后，文章有帮助到你的话【点赞在看】激励我们分享更多的干货！