Python for Excel (Chinese Edition), 2nd Edition

第 4 章. NumPy 基础

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

正如你在第 1 章中所了解的，NumPy 是 Python 科学计算的核心包，支持基于数组的计算和线性代数。由于 NumPy 是 pandas 的关键依赖项，本章将介绍其基础知识：在解释什么是 NumPy 数组之后，我们将探讨向量化和广播这两个重要概念，它们能让你编写简洁的数学代码，并且在 pandas 中也会再次用到。 随后，我们将探讨 NumPy 为何提供被称为通用函数的特殊函数，最后通过学习如何获取和设置数组的值，并解释数组视图与副本之间的区别，来结束本章。即使本书中我们几乎不会直接使用 NumPy，了解其基础知识也将有助于你在下一章更轻松地学习 pandas。

NumPy入门

在本节中，您将了解一维和二维 NumPy 数组，以及“向量化”、“广播”和“通用函数”这些技术术语背后的原理。

NumPy 数组

要使用对嵌套列表进行基于数组的计算，你必须编写某种循环。例如，你可以使用嵌套列表推导式向matrix中的每个元素添加一个数字：

In [1]: matrix = [[1, 2, 3],
                  [4, 5, 6],
                  [7, 8, 9]]

In [2]: [[element + 1 for element in row] for row in matrix]

Out[2]: [[2, 3, 4], [5, 6, 7], [8, 9, 10]]

这种写法可读性不高，更重要的是，对于大型数组，遍历每个元素的速度很慢。根据具体用例和数组大小，使用 NumPy 数组代替 Python 列表，可以使计算速度提高数倍至约百倍。 NumPy 通过使用 C 和 Fortran 编写的代码来实现这一性能——这些是编译型编程语言，比 Python 快得多。NumPy 数组是一个 N 维数组 ，用于处理同质数据。同质意味着数组中的所有元素必须具有相同的数据类型。最常见的情况是处理如图 4-1 所示的单维和二维浮点数组。

图 4-1. 一维和二维 NumPy 数组

让我们创建一个一维和二维数组，以便在本章中进行操作：

In [3]: # Import NumPy with the "np" alias
        import numpy as np

In [4]: # Constructing an array with a simple list results in a 1d array
        array1 = np.array([10, 100, 1000.0])
        array1

Out[4]: array([  10.,  100., 1000.])

In [5]: # Constructing an array with a nested list results in a 2d array
        array2 = np.array([[1.0, 2.0, 3.0],
                           [4.0, 5.0, 6.0]])
        array2

Out[5]: array([[1., 2., 3.],
               [4., 5., 6.]])

即使array1包含两个整数（10 和 100）和一个浮点数（1,000），NumPy 数组的同质性也会强制将数组的数据类型设为float64 ...