NumPy 是 Python 科學(xué)計(jì)算中最常用的核心庫(kù)。它可以提供一系列高性能的多維數(shù)組對(duì)象，以及用于這些數(shù)組的工具。【劃重點(diǎn)：數(shù)組接口是 Numpy 最重要的特性，沒(méi)有之一?！窟@篇教程以練代教，通過(guò)實(shí)操掌握知識(shí)點(diǎn)的學(xué)習(xí)，確保大家能實(shí)際應(yīng)用所學(xué)的編程知識(shí)。畢竟，Practice Makes Perfect。

為什么學(xué)習(xí) Python 繞不開(kāi) Numpy？

把 NumPy 看起來(lái)可愛(ài)逗趣的名字拆開(kāi)，人家其實(shí)非常正經(jīng)。NumPy 即 Numerical Python（數(shù)字化 Python）的縮寫(xiě)。簡(jiǎn)單來(lái)說(shuō)，NumPy 是 Python 中的線性代數(shù)庫(kù)，這就明示了 NumPy 在 Python 中的重要性了。

之所以說(shuō) NumPy 是 Python 中最常用也是最重要的核心庫(kù)，是因?yàn)樵S多類(lèi)似 SciPy、Matplotlib、Scikit-learn、TensorFlow 等，都對(duì) NumPy 有一定程度的依賴(lài)。例如，TensorFlow 會(huì)在內(nèi)部使用 Numpy 來(lái)處理 Tensors 中的多項(xiàng)操作。

在處理數(shù)據(jù)科學(xué)或機(jī)器學(xué)習(xí)的過(guò)程中，NumPy 可以對(duì)數(shù)組提供數(shù)學(xué)和邏輯運(yùn)算，同時(shí)也在 Python 中對(duì) n 數(shù)組和矩陣操作提供各種不同的功能。

NumPy對(duì)于對(duì)數(shù)組進(jìn)行數(shù)學(xué)和邏輯運(yùn)算非常有用。它為Python中對(duì)n個(gè)數(shù)組和矩陣的操作提供了大量有用的功能。簡(jiǎn)單易用的 NumPy 可以簡(jiǎn)化復(fù)雜的數(shù)學(xué)實(shí)現(xiàn)，讓編程概念變得更為數(shù)字化且易于理解，因此也廣泛使用于各種開(kāi)源項(xiàng)目中。

如何開(kāi)始使用 NumPy？

在 Python IDE 中使用教程的配套源代碼學(xué)習(xí) NumPy，只需要通過(guò) QuickFix 就可以一鍵安裝。更多關(guān)于 NumPy 模塊的安裝方式，可以查看如何手動(dòng)下載和安裝依賴(lài)。

【源碼傳送門(mén)】https://d1590a0dfb-share.lightly.teamcode.com

NumPy 跟練 1：修改學(xué)科成績(jī)曲線

前面曾提到數(shù)組是 NumPy 最核心的功能，也是最重要的特性。因此，第一階段的跟練內(nèi)容就是使用 numpy.array() 創(chuàng)建數(shù)組，然后通過(guò) NumPy 內(nèi)建的函數(shù)修改并計(jì)算數(shù)組中的內(nèi)容。

場(chǎng)景說(shuō)明

假設(shè)你是一名大學(xué)教師，你在最近的期末考中失手出了巨難的考題，因此學(xué)生的成績(jī)都不太理想。雖然如此，你很善良，不忍心大量學(xué)生因此掛科，所以你決定修改學(xué)科成績(jī)曲線，讓大家的分?jǐn)?shù)看起來(lái)合理一些。

你初次批改的卷面分分別為：[42, 35, 64, 85, 51, 72, 59, 12] 這么一看，8 個(gè)人就有 5 個(gè)掛，著實(shí)有點(diǎn)狠了。

解題

我們把這個(gè)分?jǐn)?shù)用 numpy.array() 導(dǎo)入，即numpy.array([42, 35, 64, 85, 51, 72, 59, 12])。若使用 import numpy as np，則應(yīng)在代碼中把 numpy.array() 改為 np.array()。【注意：.array() 的括號(hào)內(nèi)需要再添加方括號(hào)?！?/p>

NumPy 中的數(shù)組會(huì)將數(shù)據(jù)元素儲(chǔ)存于毗鄰的儲(chǔ)存位置中，通過(guò)索引號(hào)直接訪問(wèn)。這里的數(shù)組為一維數(shù)組，隨著深入學(xué)習(xí)，我們慢慢還會(huì)接觸二維數(shù)組 …… N 維數(shù)組等等。

【查看源碼】https://d1590a0dfb-share.lightly.teamcode.com

如果不使用 NumPy 處理成績(jī)曲線，我們需要重復(fù)為各個(gè)分?jǐn)?shù)進(jìn)行加分后，再進(jìn)行合計(jì)。NumPy 把這些數(shù)據(jù)組合成數(shù)組后，便可以對(duì)這些數(shù)據(jù)進(jìn)行統(tǒng)一處理，不僅去相對(duì)掉繁瑣的 for 循環(huán)，讓代碼看起來(lái)更簡(jiǎn)潔明了，更減少了代碼出現(xiàn) bug 的概率。一般上，這個(gè)過(guò)程被稱(chēng)之為矢量化（vectorization）。

在這段代碼中，我們主要應(yīng)用了 NumPy 中自建的 .mean() 函數(shù)以及 .clip() 函數(shù)。前者即平均數(shù)（mean）的函數(shù)，簡(jiǎn)單易懂。.clip() 函數(shù)則確保數(shù)組中的值不超過(guò)給定的上下限，clip 的意思是“修剪”，所以應(yīng)用到代碼中為：

numpy.clip(需要修剪的變量, 下限, 上限)

在修改分?jǐn)?shù)曲線時(shí)，我們需要修剪的變量為 new_grades，下限設(shè)置為不低于原先的分?jǐn)?shù)（否則還被降分的學(xué)生也太慘了），然后把上限設(shè)置為 100 分。畢竟，百分制的話 100 分就是上限了。如此一來(lái)，直接使用老傳統(tǒng) print() 進(jìn)行打印，新的分?jǐn)?shù)就出來(lái)了。

剛開(kāi)始使用 NumPy 其實(shí)不太需要擔(dān)心各種各樣的函數(shù)眼花繚亂，也不需要擔(dān)心自己需要死背這些內(nèi)容，擁抱各類(lèi)模塊的文檔（documentation）就可以快速理解模塊中的各種函數(shù)功能。所以，這類(lèi)的文檔有時(shí)候也被稱(chēng)之為小抄（cheatsheet）或食譜（cookbook）。也就是說(shuō)，合格的程序員必須要學(xué)會(huì)查找和閱讀 NumPy 的官方文檔。

NumPy 跟練 2：檢索學(xué)生班級(jí)與成績(jī)

上一個(gè)跟練的內(nèi)容為一維數(shù)組，這次我們來(lái)看看 NumPy 如何處理多維數(shù)組中的數(shù)據(jù)。

場(chǎng)景說(shuō)明

因?yàn)榕拇髮W(xué)的試卷太難了，你選擇退而求其次，考了教師資格證成為高中體育老師。這一次，我們要用 NumPy 分別記錄學(xué)生的姓名、班級(jí)和成績(jī)。

在這次的場(chǎng)景中，我們將應(yīng)用 NumPy 中的記錄數(shù)組（又稱(chēng)之為結(jié)構(gòu)化數(shù)組）。這類(lèi)數(shù)組可以為每一列指定數(shù)據(jù)類(lèi)別（例如：str 字符串、int 整數(shù)、bool 布爾運(yùn)算等）和名稱(chēng)，讓數(shù)據(jù)篩選變得更簡(jiǎn)單強(qiáng)大。

我們來(lái)看看數(shù)據(jù)原材料：

這一看除了把名字排得特別整齊，其他班級(jí)和分?jǐn)?shù)不是亂七八糟嘛 …… 這不我們還得把學(xué)生按班級(jí)整理好，高分的同學(xué)該表?yè)P(yáng)，低分的同學(xué)該批評(píng)一下嘛？


練習(xí)

上一個(gè)跟練我們直接給了標(biāo)準(zhǔn)答案，這一次還是需要大家自己動(dòng)手嘗試。放心，該有的提示和講解還是會(huì)有，但檢查答案前還是需要大家思考一下以下的題目：

使用 data[] 函數(shù)，求：

1. 低于及格分?jǐn)?shù)的學(xué)生姓名。

2. 分?jǐn)?shù)最高的學(xué)生姓名、班級(jí)及分?jǐn)?shù)?！咎崾荆?code>np.max()】

3. 各班級(jí)的學(xué)生姓名、班級(jí)及分?jǐn)?shù)，需按分?jǐn)?shù)大小逆序排列?！咎崾荆?code>np.sort()】

同學(xué)們可以另開(kāi)新檔嘗試自己手動(dòng)做題，再查看源代碼中的 score2D.py 參考答案，在線查看并運(yùn)行項(xiàng)目：https://d1590a0dfb-share.lightly.teamcode.com