一、NumPy简介
NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。
以下为官方英文介绍：
NumPy is the fundamental package for scientific computing with Python. It contains among other things:
(1)a powerful N-dimensional array object
(2)sophisticated (broadcasting) functions
(3)tools for integrating C/C++ and Fortran code
(4)useful linear algebra, Fourier transform, and random number capabilities
Besides its obvious scientific uses, NumPy can also be used as an efficient multi-dimensional container of generic data. Arbitrary data-types can be defined. This allows NumPy to seamlessly and speedily integrate with a wide variety of databases.
二、python环境注意事项
目前python3使用也比较多，有的同学可能安装了两个版本，包括python2，Mac 在终端中输入python命令后，输出的信息还是Python 2.7。
如何让系统默认使用python3呢？按照以下步骤设置即可：
（1） 终端输入：open ~/.bash_profile，打开.bash_profile文件。
（2）修改.bash_profile文件内容 ，添加如下两行PATH="/Library/Frameworks/Python.framework/Versions/3.6/bin:${PATH}"
export PATH（3）添加别名 alias python=``"/Library/Frameworks/Python.framework/Versions/3.6/bin/python3.6"
（4）重新生效.bash_profile文件
source .bash_profile
经过以上四步，终端输入phtyon，出现以下内容即修改成功。
三、NumPy安装
配置好python环境后，在命令行输入：from numpy import*，如果提示以下错误，我们需要手动安装NumPy：
（1）pip安装
我们使用pip安装NumPy，前提是已经安装pip，mac默认是没有安装pip的。
如果用的是macOS自带的python2.7，直接终端输入：sudo easy_install pip，安装。
如果使用的Python3，终端输入：curl https://bootstrap.pypa.io/get-pip.py | python3。
安装完成后，查看pip的版本和路径。由于我分别安装了python2和3，所以也分别安装了pip的不同版本，如下：
注意：
1）使用pip install XXX
新安装的库会放在这个目录下面
python2.7/site-packages
2）使用pip3 install XXX
新安装的库会放在这个目录下面
python3.6/site-packages
在使用python3执行程序，那么就不能import python2.7/site-packages中的库。
（2）安装NumPy
终端输入：sudo pip3 install -U numpy
安装成功输出以下log：
四、NumPy使用
（1）基础
NumPy的主要对象是同类型的多维数组。它是一张表，所有元素（通常是数字）的类型都相同，并通过正整数元组索引。在NumPy中，维度称为轴。轴的数目为rank。
例如，3D空间中的点的坐标[1, 2, 1]是rank为1的数组，因为它具有一个轴。该轴的长度为3。在下图所示的示例中，数组的rank为2（它是2维的）。第一维度（轴）的长度为2，第二维度的长度为3。
[[ 1., 0., 0.],
[ 0., 1., 2.]]
NumPy的数组的类称为ndarray。别名为array。请注意，numpy.array与标准Python库的类array.array不同，后者仅处理一维数组并提供较少的功能。ndarray对象的更重要的属性是：
ndarray.ndim
数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
ndarray.shape
数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于具有n行和m列的矩阵，shape将是(n,m)。因此，shape元组的长度就是rank或维度的个数ndim。
ndarray.size
数组元素的总数。这等于shape的元素的乘积。
ndarray.dtype
描述数组中元素类型的对象。可以使用标准Python类型创建或指定dtype。另外NumPy提供了自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
ndarray.itemsize
数组中每个元素的字节大小。例如，元素为float64类型的数组的itemsize为8（=64/8），而complex32类型的数组的comitemsize为4（=32/8）。它等于ndarray.dtype.itemsize。
ndarray.data
该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。
举例说明：
import numpy as np
#这里我们生成了一个一维数组a，从0开始，步长为1，长度为20
a = np.arange(15)
print('a:',a)
#打印a的类型，应该是array
print('a type:',type(a))
#通过函数"reshape"，我们可以重新构造一下这个数组，例如，我们可以构造一个3*5的二维数组
a = a.reshape(3, 5)
print('a.reshape:',a)
#数组的维度
print('a.shape:',a.shape)
#数组的维度的个数
print('a.ndim:',a.ndim)
#数组元素总数
print('a.size:',a.size)
#数组元素类型
print('a.dtype:',a.dtype)
#数组元素的字节大小
print('a.itemsize:',a.itemsize)
对应输出如下：
a: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
a type: <class 'numpy.ndarray'>
a.reshape: [[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
a.shape: (3, 5)
a.ndim: 2
a.size: 15
a.dtype: int64
a.itemsize: 8
（2）数组创建
有几种方法来创建数组，可以使用array函数从常规Python列表或元组中创建数组。得到的数组的类型从序列中元素的类型推导出。
>>> a = array( [2,3,4] )
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int32')
>>> b = array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64') 一个常见的错误包括用多个数值参数调用`array`而不是提供一个由数值组成的列表作为一个参数。
>>> a = array(1,2,3,4) # WRONG
>>> a = array([1,2,3,4]) # RIGHT
（3）数组打印
当你打印一个数组，NumPy以类似嵌套列表的形式显示它，但是呈以下布局：
最后的轴从左到右打印
次后的轴从顶向下打印
剩下的轴从顶向下打印，每个切片通过一个空行与下一个隔开
一维数组被打印成行，二维数组成矩阵，三维数组成矩阵列表。
>>> a = arange(6) # 1d array
>>> print a
[0 1 2 3 4 5]
>>>
>>> b = arange(12).reshape(4,3) # 2d array
>>> print b
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
>>>
>>> c = arange(24).reshape(2,3,4) # 3d array
>>> print c
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
（4）数组运算
数组上的算术运算符使用元素级别。将创建一个新数组并用结果填充。
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False], dtype=bool)
与许多矩阵语言不同，乘法运算符*的运算在NumPy数组中是元素级别的。可以使用dot函数或方法执行矩阵乘积：
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A*B # elementwise product
array([[2, 0],
[0, 4]])
>>> A.dot(B) # matrix product
array([[5, 4],
[3, 4]])
>>> np.dot(A, B) # another matrix product
array([[5, 4],
[3, 4]])
某些操作（如+=和*=）可以修改现有数组，而不是创建新数组。
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437],
[ 3.30233257, 3.14675589, 3.09233859]])
>>> a += b # b is not automatically converted to integer type
Traceback (most recent call last):
...
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'
此外，NumPy还有很多强大的功能，大家如果有需要可以到官方参考文档。
