English | 简体中文 | 繁體中文 | Русский язык | Français | Español | Português | Deutsch | 日本語 | 한국어 | Italiano | بالعربية
El precursor de NumPy, Numeric, fue desarrollado por Jim Hugunin y otros colaboradores desde el principio.2005 En el año, Travis Oliphant combinó las características de otro paquete de propiedades similares, Numarray, y agregó otras extensiones para desarrollar NumPy. NumPy es de código abierto y es mantenido y desarrollado conjuntamente por muchos colaboradores.
El núcleo del paquete NumPy es el objeto ndarray. Encapsula arrays n-dimensionales de tipos de datos nativos de Python, y para garantizar su excelente rendimiento, muchas de las operaciones se ejecutan en compilación local del código.
Existen varias diferencias importantes entre los arrays de NumPy y los arrays nativos de Python:
Los arrays de NumPy tienen un tamaño fijo en el momento de su creación, a diferencia de los objetos de array nativos de Python, cambiar el tamaño de ndarray crea un nuevo array y elimina el array original.Los elementos del array de NumPy deben tener el mismo tipo de datos, por lo que tienen el mismo tamaño en la memoria.Los arrays de NumPy ayudan a realizar operaciones matemáticas avanzadas y otros tipos de operaciones en grandes cantidades de datos. Por lo general, estas operaciones se ejecutan con mayor eficiencia y requieren menos código que el uso de arrays nativos de Python.Cada vez más paquetes de ciencia y matemáticas basados en Python utilizan arrays de NumPy, pero antes de procesarlos, convertirán los arrays de entrada a arrays de NumPy.
Antes de comenzar el tutorial de NumPy, necesitamos tener una base básica en Python, este sitio recomienda usar Python3.Versión x, si aún no estás familiarizado con Python, puedes leer nuestrosTutoriales de Python
En Python, tenemos listas que satisfacen las funciones de array, pero son lentas de procesar.NumPy está diseñado para proporcionar una velocidad superior a la de las listas tradicionales de Python 5Objeto de array de 0 veces.El objeto de array en NumPy se llama ndarray, que proporciona muchas funciones de apoyo, lo que hace que sea muy fácil utilizar ndarray.Los arrays se utilizan muy a menudo en la ciencia de datos, ya que la velocidad y los recursos son muy importantes.Ciencia de datos: una rama de la ciencia de la computación que estudia cómo almacenar, usar y analizar datos para obtener información.
Diferente de las listas, los arrays de NumPy se almacenan en una posición continua en la memoria, por lo que los procesos pueden acceder y manipularlos de manera muy eficiente.
Este comportamiento se conoce en la ciencia de la computación como localidad de referencias.
Esta es la razón principal por la que NumPy es más rápido que una lista. También ha sido optimizado para usarlo con las últimas arquitecturas de CPU.
NumPy se utiliza generalmente junto con SciPy, esta combinación se utiliza ampliamente para reemplazar MatLab, lo que ayuda a que aprendamos ciencia de datos o aprendizaje automático a través de Python.SciPy es una biblioteca de algoritmos y paquete matemático de código abierto para Python.SciPy contiene módulos como optimización, álgebra lineal, integración, interpolación, funciones especiales, transformada de Fourier rápida, procesamiento de señales y procesamiento de imágenes, resolución de ecuaciones diferenciales ordinarias y otros cálculos comunes en ciencia y ingeniería.Matplotlib es la interfaz de visualización de operaciones de Matplotlib para el lenguaje de programación Python y la extensión numérica NumPy. Es una herramienta de paquete de interfaz de usuario de gráficos general.
Página web de NumPy：http://www.numpy.orgCódigo fuente de NumPy：https://github.com/numpy/numpyPágina web de SciPy：: https://www.scipy.orgCódigo fuente de SciPy：: https://github.com/scipy/scipyCódigo fuente de Matplotlib：: https://matplotlib.orgCódigo fuente de Matplotlib：: https://github.com/matplotlib/matplotlib
# 1、安装包 $ pip install numpy # 2、进入python的交互式界面 $ python -i # 3、使用Numpy >>> from numpy import * >>> eye(4) # 4、输出结果 array([[1, 0., 0., 0.], [0., 1, 0., 0.], [0., 0., 1, 0.], [0., 0., 0., 1.]])