(關(guān)注'AI新視野'公眾號(hào)，發(fā)送‘資料’二字鹰祸，免費(fèi)獲取50G人工智能視頻教程！)
本文精心翻譯自Jay Alammar的博客：https://jalammar.github.io/visual-numpy/密浑，其用圖解的方式詳細(xì)介紹了 NumPy的功能和使用示例蛙婴。
NumPy 是 Python 生態(tài)中數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和科學(xué)計(jì)算的基礎(chǔ)尔破。它極大地簡化了向量和矩陣的操作處理街图。Python 的一些主要軟件包（如 scikit-learn、SciPy懒构、pandas 和 tensorflow）都以 NumPy 作為其架構(gòu)的基礎(chǔ)部分餐济。除了能對(duì)數(shù)值數(shù)據(jù)進(jìn)行切片（slice）和切塊（dice）之外，使用 NumPy 還能為處理和調(diào)試上述庫中的高級(jí)實(shí)例帶來極大的便利痴脾。
本文將介紹 NumPy 的一些主要方法颤介，以及在將數(shù)據(jù)送入機(jī)器學(xué)習(xí)模型之前，numpy是如何表示不同類型數(shù)據(jù)（表格赞赖、圖像、文本等）的冤灾。
import numpy as np
創(chuàng)建數(shù)組
通過傳遞一個(gè) python 列表前域，并使用 np.array（）來創(chuàng)建 NumPy 數(shù)組。python 創(chuàng)建的數(shù)組如下圖右所示：
NumPy 提供了一些初始化數(shù)組的方法韵吨，例如 ones()匿垄、zeros() 和 random.random() 等方法。只要傳遞希望 NumPy 生成的元素維數(shù)即可：
一旦創(chuàng)建了數(shù)組归粉，就可以隨意操作啦椿疗。
數(shù)組運(yùn)算
下面創(chuàng)建兩個(gè) NumPy 數(shù)組來展示數(shù)組運(yùn)算功能。下圖兩個(gè)數(shù)組分別為 data 和 ones：
將它們按位置相加（即每行對(duì)應(yīng)相加）糠悼，直接輸入 data + ones 即可：
除了加届榄，還可以進(jìn)行如下操作：
數(shù)組和單個(gè)數(shù)字之間也可以進(jìn)行運(yùn)算操作（即向量和標(biāo)量之間的運(yùn)算）。比如說倔喂，數(shù)組表示以英里為單位的距離铝条，希望將其單位轉(zhuǎn)換為千米。只需輸入 data * 1.6 即可：
NumPy 是通過廣播機(jī)制（broadcasting）來實(shí)現(xiàn)的席噩，通過判斷維數(shù)班缰，來推測(cè)要進(jìn)行的運(yùn)算。
索引
可以像對(duì) python 列表進(jìn)行切片一樣悼枢，對(duì) NumPy 數(shù)組進(jìn)行任意的索引和切片：
聚合
NumPy 還提供聚合功能：
除了 min埠忘、max 和 sum 之外，還可以使用 mean 得到平均值，使用 prod 得到所有元素的乘積莹妒，使用 std 得到標(biāo)準(zhǔn)差等等名船。
更多維度
上述的例子都是在一個(gè)維度上處理向量。NumPy 優(yōu)雅的關(guān)鍵在于能夠?qū)⑸鲜鏊蟹椒☉?yīng)用到任意數(shù)量的維度动羽。
創(chuàng)建矩陣
可以傳遞下列形狀的 python 列表包帚，使 NumPy 創(chuàng)建一個(gè)矩陣來表示它：
np.array([[1,2],[3,4]])
也可以使用上面提到的方法（ones()、zeros() 和 random.random()）运吓，只要傳入一個(gè)描述創(chuàng)建的矩陣維數(shù)的元組即可：
矩陣運(yùn)算
如果兩個(gè)矩陣大小相同渴邦，可以使用算術(shù)運(yùn)算符（+-*/）對(duì)矩陣進(jìn)行加和乘。NumPy 將其視為 position-wise 運(yùn)算：
也可以對(duì)不同大小的兩個(gè)矩陣執(zhí)行此類算術(shù)運(yùn)算拘哨，但前提是某一個(gè)維度為 1（如矩陣只有一列或一行）谋梭，在這種情況下，NumPy 使用廣播規(guī)則執(zhí)行算術(shù)運(yùn)算：
點(diǎn)乘
算術(shù)運(yùn)算和矩陣運(yùn)算的一個(gè)關(guān)鍵區(qū)別是矩陣乘法使用點(diǎn)乘倦青。NumPy 為每個(gè)矩陣賦予 dot() 方法瓮床，可以用它與其他矩陣執(zhí)行點(diǎn)乘操作：
在上圖的右下角添加了矩陣維數(shù)，來強(qiáng)調(diào)這兩個(gè)矩陣的臨近邊必須有相同的維數(shù)产镐“可以把上述運(yùn)算視為：
矩陣索引
當(dāng)處理矩陣時(shí)，索引和切片操作將更加有用：
矩陣聚合
可以像聚合向量一樣聚合矩陣：
不僅可以聚合矩陣中的所有值癣亚，還可以使用 axis 參數(shù)執(zhí)行跨行或跨列聚合：
轉(zhuǎn)置和維度重塑
處理矩陣時(shí)的一個(gè)常見需求是旋轉(zhuǎn)矩陣丑掺。當(dāng)需要對(duì)兩個(gè)矩陣執(zhí)行點(diǎn)乘運(yùn)算并對(duì)齊它們共享的維度時(shí)，通常需要進(jìn)行轉(zhuǎn)置述雾。NumPy 數(shù)組有一個(gè)方便的方法 T 來求得矩陣轉(zhuǎn)置：
在某些應(yīng)用中街州，需要對(duì)特定矩陣的變換維度。在機(jī)器學(xué)習(xí)應(yīng)用中玻孟，經(jīng)常會(huì)有當(dāng)某個(gè)模型對(duì)輸入形狀的要求與的數(shù)據(jù)集不同唆缴。NumPy 中的 reshape() 方法就可以發(fā)揮作用。只需將矩陣所需的新維度賦值給它即可黍翎∶婊眨可以為維度賦值-1，NumPy 可以根據(jù)的矩陣推斷出正確的維度：
更多維度
NumPy 可以在任意維度實(shí)現(xiàn)上述提到的所有內(nèi)容玩敏。其中心數(shù)據(jù)結(jié)構(gòu)被叫作 ndarray（N 維數(shù)組）斗忌。
在很多情況下，處理一個(gè)新的維度只需在 NumPy 函數(shù)的參數(shù)中添加一個(gè)逗號(hào)：
實(shí)際用法
以下是 NumPy 可實(shí)現(xiàn)的有用功能的實(shí)例演示旺聚。
公式
均方差公式织阳，它是監(jiān)督機(jī)器學(xué)習(xí)模型處理回歸問題的核心：
在 NumPy 中實(shí)現(xiàn)該公式很容易：
這樣做的好處在于，NumPy 并不關(guān)心 predictions 和 labels 包含一個(gè)值還是一千個(gè)值（只要它們大小相同）砰粹∵蠖悖可以通過一個(gè)示例依次執(zhí)行上面代碼行中的四個(gè)操作：
預(yù)測(cè)和標(biāo)簽向量都包含三個(gè)值造挽，也就是說 n 的值為 3。減法后弄痹，得到的值如下：
然后將向量平方得到：
對(duì)這些值求和：
得到的結(jié)果即為該預(yù)測(cè)的誤差值和模型質(zhì)量評(píng)分饭入。
數(shù)據(jù)表達(dá)
電子表格、圖像肛真、音頻等需要處理和構(gòu)建模型所需的數(shù)據(jù)類型谐丢，其中很多都適合在 n 維數(shù)組中表示：
表格
電子表格就是二維矩陣。電子表格中的每個(gè)工作表都可以是它自己的變量蚓让。python 中最流行的表格抽象是 pandas 數(shù)據(jù)幀乾忱，其在 NumPy 之上構(gòu)建。
音頻
音頻文件是樣本的一維數(shù)組历极。每個(gè)樣本都是一個(gè)數(shù)字窄瘟，代表音頻信號(hào)的一小部分。CD 質(zhì)量的音頻每秒包含 44,100 個(gè)樣本趟卸，每個(gè)樣本是-65535 到 65536 之間的整數(shù)蹄葱。這意味著如果有一個(gè) 10 秒的 CD 質(zhì)量 WAVE 文件，可以將它加載到長度為 10 * 44,100 = 441,000 的 NumPy 數(shù)組中锄列。如果想要提取音頻的前一秒图云，只需將文件加載到 audio 的 NumPy 數(shù)組中，然后獲取 audio[:44100]邻邮。
下面是一段音頻文件：
其他時(shí)間序列數(shù)據(jù)也可以同樣表示（如股票隨時(shí)間變化的價(jià)格）琼稻。
圖像
圖像是尺寸（高度 x 寬度）的像素矩陣。
如果圖像是黑白（即灰度）的饶囚，則每個(gè)像素都可以用單個(gè)數(shù)字表示（通常在 0（黑色）和 255（白色）之間）。
下圖是一個(gè)圖像文件的部分：
如果圖像是彩色的鸠补，則每個(gè)像素由三個(gè)數(shù)字表示------紅萝风、綠和藍(lán)。在這種情況下紫岩，需要一個(gè)三維數(shù)組（因?yàn)槊總€(gè)單元格只能包含一個(gè)數(shù)字）规惰。因此彩色圖像由尺寸為（高 x 寬 x3）的 ndarray 表示：
歡迎關(guān)注全平臺(tái)AI自媒體 “AI新視野”，第一時(shí)間獲取人工智能學(xué)術(shù)泉蝌、產(chǎn)業(yè)前沿歇万！
