导读：本文让你快速了解一下如何开始使用NumPy。一旦你熟悉了NumPy，就会发现Python世界中的大多数科学计算都是围绕NumPy构建的。因此花在NumPy上的学习时间最终对你是有益的。
（教程领到手，学习不用愁！vx:Y20200324324 备注JS即可免费领取哦！）
如果你已经安装了Anaconda，那么就假设你已经在虚拟环境中安装了NumPy。如果你使用过Python的标准发行版或任何其他发行版，你可以访问
并按照所提供的安装说明进行操作。
01 导入NumPy
一旦启动了一个新的IPython或者Jupyter会话，就可以导入Numpy模块并按照以下步骤来验证版本：
import numpy
numpy.__version__
输出结果：
1.15.4
提示：记得在Jupyter Notebook中，键入命令后，你可以按下Ctrl+Enter，以执行一个单元格。或者，按下Shift+Enter以执行单元格，并自动插入或者选择该单元格下面的单元格。依次单击Help | Keyboard Shortcut以检查所有的键盘快捷键，或者依次单击Help | User Interface Tour以进行快速浏览。
此处讨论的部分包，建议使用NumPy 1.8版本或后续版本。按照惯例，你会发现在科学Python领域中，大多数人导入NumPy都会使用np作为别名：
import numpy as np
np.__version__
输出结果：
1.15.4
02 理解NumPy数组
Python是一种弱类型的语言。这就意味着，你无论何时创建一个新变量，都不必指定数据类型。例如，下面的内容将自动表示为一个整数：
a=5
输入下面内容以再次确认：
type(a)
输出结果：
int
注意：因为标准Python实现是用C编写的，所以每个Python对象本质上是一个伪C结构。这对于Python中的整数也是如此，实际上它是指向复合C结构的指针，包含的不仅仅是原始整数值。因此，用于表示Python整数的默认C数据类型将依赖于你的系统架构（即系统是32位还是64位平台）。
更进一步，我们使用list()命令可以创建一个整数列表，这是Python中的标准多元素容器。range (x)函数将创建从0到x–1的所有整数。要输出变量，你可以使用print函数，也可以直接输入变量名字并按Enter：
int_list =list(range(10))
int_list
输出结果：
[0,1,2,3,4,5,6,7,8,9]
类似地，我们通过让Python遍历整数列表int_list中的所有元素，并对每个元素应用str()函数（该函数将一个数转换成一个字符串），来创建一个字符串列表：
str_list= [str(i) for i in int_list]
str_list
输出结果：
['0','1','2','3','4','5','6','7','8','9']
可是，用列表进行数学运算并不是很灵活。例如，我们想要将int_list中的每个元素都乘以一个因子2。执行以下操作可能是一种简单的方法—看看输出结果是怎样的：
int_list*2
输出结果：
[0,1,2,3,4,5,6,7,8,9,0,1,2,3,4,5,6,7,8,9]
Python创建了一个列表，其内容是int_list的所有元素生成了两次，这并不是我们想要的！
这就是NumPy的用武之地。NumPy是专为简化Python中的数组运算而设计的。我们可以快速将整数列表转换为一个NumPy数组：
import numpy as np
int_arr = np.array(int_list)
int_arr
输出结果：
array([0,1,2,3,4,5,6,7,8,9])
让我们看看试着将数组中的每个元素相乘会怎么样：
int_arr*2
输出结果：
array([0 2 4 6 8 10 12 14 16 18])
这次我们做对了！加法、减法、除法以及很多其他运算也是同样的。
而且，每个NumPy数组都具有以下属性：
ndim：维数。
shape：每一维的大小。
size：数组中元素的总数。
dtype：数组的数据类型（例如int、float、string等）。
让我们来看看整数数组的上述属性：
print("int_arr ndim: ", int_arr.ndim)
print("int_arr shape: ", int_arr.shape)
print("int_arr size: ", int_arr.size)
print("int_arr dtype: ", int_arr.dtype)
输出结果：
int_arrndim:1
int_arrshape:(10,)
int_arrsize:10
int_arrdtype:int64
从这些输出中，我们可以看到我们的数组只包含一维，其包含10个元素且所有元素都是64位的整数。当然，如果你在32位机器上执行这段代码，你可能会得到dtype：int 32。
03 通过索引访问单个数组元素
如果你之前使用过Python的标准列表索引，那么你就不会发现NumPy中的索引有很多问题。在一维数组中，通过在方括号中指定所需的索引，可以访问第i个值（从0开始计算），与Python列表一样：
int_arr
输出结果：
array([0,1,2,3,4,5,6,7,8,9])
int_arr[0]
输出结果：
0
int_arr[3]
输出结果：
3
要从数组的末尾建立索引，可以使用负索引号：
int_arr[-1]
输出结果：
9
int_arr[-2]
输出结果：
8
切割数组还有一些其他很酷的技巧，如下所示：
int_arr[2:5]#fromindex2uptoindex5-1
输出结果：
array([2,3,4])
int_arr[:5]#from the beginning up to index 5 - 1
输出结果：
array([0,1,2,3,4])
int_arr[5:]#from index 5 up to the end of the array
输出结果：
array([5,6,7,8,9])
int_arr[::2]#every other element
输出结果：
array([0,2,4,6,8])
int_arr[::-1]#the entire array in reverse order
输出结果：
array([9,8,7,6,5,4,3,2,1,0])
建议你自己尝试使用这些数组！
提示：NumPy中切割数组的一般形式与标准Python列表中的相同。使用x [start: stop: step]访问数组x中的一个片段。如果没有指定任何一个值，那么默认值为start=0、stop=size of dimension、step=1。
04 创建多维数组
数组不必局限于列表。实际上，数组可以有任意维数。在机器学习中，通常我们至少要处理二维数组，列索引表示特定的特征值，行包含实际的特征值。
使用NumPy可以轻松地从头开始创建多维数组。假设我们想要创建一个3行5列的数组，所有的元素都初始化为0。如果我们不指定数据类型，NumPy将默认使用float类型：
arr_2d = np.zeros((3, 5))
arr_2d
输出结果：
array([[0.,0.,0.,0.,0.],
[0.,0.,0.,0.,0.],
[0.,0.,0.,0.,0.]])
使用OpenCV时你可能就知道：这可以解释为所有像素设置为0（黑色）的一个3×5的灰度图像。例如，如果你想要创建具有3个颜色通道（R、G和B）2×4像素的一个小图像，但是所有像素都设置为白色，我们将使用NumPy创建一个3×2×4的三维数组：
arr_float_3d=np.ones((3,2,4))
arr_float_3d
输出结果：
array([[[1.,1.,1.,1.],[1.,1.,1.,1.]],
[[1.,1.,1.,1.],[1.,1.,1.,1.]],
[[1.,1.,1.,1.],[1.,1.,1.,1.]]])
这里，第一维定义颜色通道（OpenCV中的蓝色、绿色和红色）。因此，如果这是真实的图像数据，我们可以通过切割数组轻松地获得第一个通道中的颜色信息：
arr_float_3d[0, :, :]
输出结果：
array([[1.,1.,1.,1.],
[1.,1.,1.,1.]])
在OpenCV中，图像要么是值在0到1之间的32位浮点数组，要么是值在0到255之间的8位整数数组。因此，使用8位整数，通过指定NumPy的dtype属性并将数组中的所有1乘以255，我们还可以创建一个2×4像素、全为白色的RGB图像：
arr_uint_3d=np.ones((3,2,4),dtype=np.uint8)*255arr_uint_3d
输出结果：
array([[[255,255,255,255],
[255,255,255,255]],
[[255,255,255,255],
[255,255,255,255]],
[[255,255,255,255],
[255,255,255,255]]],dtype=uint8)
关于作者：阿迪蒂亚·夏尔马（Aditya Sharma），罗伯特·博世（Robert Bosch）公司的一名高级工程师，致力于解决真实世界的自动计算机视觉问题。曾获得罗伯特·博世公司2019年人工智能编程马拉松的首名。
维什韦什·拉维·什里马利（Vishwesh Ravi Shrimali），于2018年毕业于彼拉尼博拉理工学院（BITS Pilani）机械工程专业。此后一直在BigVision LLC从事深度学习和计算机视觉方面的工作，还参与了官方OpenCV课程的创建。
迈克尔·贝耶勒（Michael Beyeler），是华盛顿大学神经工程和数据科学的博士后研究员，致力于仿生视觉的计算模型研究，以为盲人植入人工视网膜（仿生眼睛），改善盲人的感知体验。他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。
本文摘编自《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》，经出版方授权发布。
延伸阅读《机器学习》（原书第2版）
一本基于OpenCV4和Python的机器学习实战手册，既详细介绍机器学习及OpenCV相关的基础知识，又通过具体实例展示如何使用OpenCV和Python实现各种机器学习算法，并提供大量示例代码，可以帮助你掌握机器学习实用技巧，解决各种不同的机器学习和图像处理问题。
教程领到手，学习不用愁！vx:Y20200324324 备注JS即可免费领取哦！
作者：阿迪蒂亚·夏尔马（Aditya Sharma）、维什韦什·拉维·什里马利（Vishwesh Ravi Shrimali）、迈克尔·贝耶勒（Michael Beyeler）
来源：华章科技
