几乎所有使用Python处理分析数据的人都用过Pandas，因为实在太方便了，就像Excel一样，但你知道Pandas是基于Numpy开发出来的吗?
Pandas和Numpy的关系类似于国产安卓系统和原生安卓，Numpy提供底层数据结构和算法，搭配数据面板的分析模式，缔造了Pandas。
某种意义上来说，Numpy是Python数据科学领域金字塔尖的库。
有人这样问过。 这并不让人意外，虽然Numpy没有Pandas知名度高，但Numpy的性能之强大、应用之广会让很多人咋舌，甚至Numpy的论文登上了Nature杂志。
❝
阅读和下载地址：https://www.nature.com/articles/s41586-020-2649-2
❞不清楚底细的人可能会问，到底什么是Numpy?
Numpy是专门用于多维数组和矩阵计算的Python库，Numpy的强大不在于有多少函数方法，而在于其多维数组和矩阵的计算能力和运行效率。
多维数组和矩阵计算最主要的特点是快，非常快。
知道线性代数吧，为了提高性能，有专门的线性代数库（如BLAS、LAPACK、Intel MKL等）对底层的矩阵运算进行了高度优化。
另外，CPU、GPU这些硬件对矩阵运算有很好的支持。
比如说，GPU具有大量的并行处理核心，非常适合执行大规模的矩阵运算。通过使用CUDA或OpenCL等技术，可以充分发挥GPU的并行计算能力。
1、可以和Pandas等多种库进行交互
2、拥有各种科学计算API，任你调用
3、Numpy基于C语言开发，速度和C一样快
4、Numpy在Python中使用，操作和Python一样简洁
接下来，我们看看有哪些Python库的底层依赖库是numpy。
依赖代表这些库需要numpy支持才能运行，某种意义上来说，某个库作为依赖库越多代表它越重要。
以numpy作为依赖的部分python库：
Pandas ：最出名的数据处理和分析库，使用基于NumPy 的二维数组来分析数据。
SciPy ：类似于Matlab的数学和工程计算库，SciPy 库建立在 NumPy 之上，使用多维数组来计算。
Matplotlib ：Python中功能最齐全的可视化库，也是很多其他可视化库的依赖，它依赖 NumPy 进行数学运算以生成图形。
Scikit-learn ：拥有各类算法的机器学习库，使用 NumPy 进行数据的快速处理和算法实现。
StatsModels ：专门用于统计分析的算法库，依赖 NumPy 进行数值计算。
TensorFlow 和 PyTorch ：最最出名的两个深度学习框架，各种大模型都是靠它们跑出来的，但是它们在底层使用 NumPy 进行张量操作。
OpenCV ：家喻户晓的计算机视觉，使用 NumPy 数组进行图像处理。
NetworkX ：图形网络分析库，用于复杂网络创建、操作和使用 ，使用NumPy 进行网络分析。
可以看到，很多主流的数据科学、机器学习、深度学习库都是靠numpy依赖，基于多维数组来进行计算，可见numpy有多么的重要，说它是数据科学的顶级库也不为过。
以下是一些numpy的基础函数和方法介绍：
np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0):
创建一个 NumPy 数组。
np.zeros(shape, dtype=float, order='C')
:
返回一个给定形状和数据类型的数组，其中所有元素都为 0。
np.ones(shape, dtype=None, order='C')
:
返回一个给定形状和数据类型的数组，其中所有元素都为 1。
np.empty(shape, dtype=float, order='C')
:
返回一个未初始化的数组，其元素值是随机的。
np.arange(start, stop=None, step=1, dtype=None)
:
返回一个与 Python 的
range
类似的数组，包含从
start
开始到
stop
结束（不包括
stop
）的值，步长为
step
。
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
:
返回一个数组，其中包含
num
个从
start
到
stop
的等间隔的点。
np.reshape(a, newshape, order='C')
:
将数组
a
重塑为
newshape
指定的形状。
np.transpose(a, axes=None)
:
转置数组，可选地按照
axes
指定的轴顺序。
np.dot(a, b, out=None)
:
矩阵乘法，计算两个数组的点积。
np.vstack(tup)
:
垂直堆叠数组，等价于
np.concatenate(tup, axis=0)
。
更多请在公众号后台回复：numpy，获取pdf
加入知识星球 【我们谈论数据科学】
600+ 小伙伴一起学习！
