NumPy的图解介绍来了

NumPy 以简洁的书写方式处理数据，可以轻松地对数据进行切片、切块、多维向量操作。

常见的数据类型有四种：以excel或csv表示的二维数组表、单通道或多通道图像cv文件、一维数组格式的音频文件，最后是输入文本。自然语言处理

这些不同类型的输入数据格式可以通过NumPy 方便地表示和处理。正因为如此，NumPy的王者地位进一步加强。

以一张3232像素的黑白图像为例，只需要一行代码就可以提取出左上角的10个像素块：

In[11]:a=np.random.randint(0,255,size=(32,32))#提取左上角10*10像素块In[14]:a[:10,10]Out[14]:array( [[115,168,94,97,208,249,94,11,194,185],[77,130,203,188,243,207,229,213,170,52],[250,98,7,234,69,188,152,66,210,159],[228,25 2,122,126,36,126,210,176,60,136],[103,26,98,57 ,56,206,221,9,165 ,90],[47,188,55,92,169,4,150,200,105,84],[241,36,161,3,57,198,216,26,33,13],[34,65,175,213,52,159,7,102, 102,133],[214,192 ,38,252 ,12,71 ,38,44,165,135],[234,105,130,189,162,247,58,80,88,83]])

接下来我们看看NumPy的基本用法。

要快速掌握NumPy，需要了解一些基本原理，例如使用最广泛的reshape 方法，该方法可以将一维数组转换为多维数组，反之亦然。外表是多维的，但现实在记忆中永远是一维的。

结合图形可视化，加速理解NumPy中的这些基本操作，比如两个一维数组相加的可视化：

此外，NumPy 的重要机制之一：广播。有些读者可能对此有些困惑，不知道什么是广播。借助可视化图表，您一目了然：

一个1.6作为两个1.6广播。原因是为了匹配前面数组的长度，然后逐个元素相加。

除了数组对象之外，NumPy 还封装了一个矩阵对象，它可以提供行生成中的点乘运算，这是机器学习公式运算所需要的。点乘的直观图形为：

点积实际上相当于：