"""
To try the examples in the browser:
1. Type code in the input cell and press
Shift + Enter to execute
2. Or copy paste the code, and click on
the "Run" button in the toolbar
"""
# The standard way to import NumPy:
import numpy as np
# Create a 2-D array, set every second element in
# some rows and find max per row:
x = np.arange(15, dtype=np.int64).reshape(3, 5)
x[1:, ::2] = -99
x
# array([[ 0, 1, 2, 3, 4],
# [-99, 6, -99, 8, -99],
# [-99, 11, -99, 13, -99]])
x.max(axis=1)
# array([ 4, 8, 13])
# Generate normally distributed random numbers:
rng = np.random.default_rng()
samples = rng.normal(size=2500)
samples几乎每一位使用 Python 的科学家都在借助 NumPy 的强大功能。
NumPy 将 C 和 Fortran 等语言的计算能力带到了 Python——一种更易于学习和使用的语言。这种强大的能力同时也带来了简洁:NumPy 的解决方案往往清晰且优雅。
当开发者编写库以利用创新硬件、创建专用数组类型或添加 NumPy 未提供的功能时,NumPy 的 API 是起点。
| 数组库 | 功能与应用领域 | |
![]() | Dask | 用于分析的分布式数组和高级并行处理,实现规模化性能。 |
![]() | CuPy | 用于 Python GPU 加速计算的 NumPy 兼容数组库。 |
![]() | JAX | NumPy 程序的组合转换:微分、向量化、即时编译到 GPU/TPU。 |
![]() | Xarray | 用于高级分析和可视化的带标签、带索引的多维数组。 |
![]() | Sparse | 与 Dask 和 SciPy 稀疏线性代数集成的 NumPy 兼容稀疏数组库。 |
| PyTorch | 深度学习框架,加速从研究原型到生产部署的路径。 | |
| TensorFlow | 一个端到端的机器学习平台,可轻松构建和部署机器学习驱动的应用。 | |
![]() | Arrow | 一个用于内存中列式数据和分析的跨语言开发平台。 |
![]() | xtensor | 具有广播和惰性计算功能的多维数组,用于数值分析。 |
| Awkward Array | 使用类似 NumPy 的语法操作 JSON 类数据。 | |
![]() | uarray | 将 API 与实现解耦的 Python 后端系统;unumpy 提供 NumPy API。 |
![]() | tensorly | 张量学习、代数和后端,可无缝使用 NumPy、PyTorch、TensorFlow 或 CuPy。 |
| Blosc2 | 针对内存中、磁盘上或远程压缩数组的加速计算。 |
NumPy 是丰富的数据科学库生态系统的核心。一个典型的数据科学探索工作流程可能如下:
NumPy 是 scikit-learn 和 SciPy 等强大机器学习库的基础。随着机器学习的发展,建立在 NumPy 之上的库列表也在不断增加。TensorFlow 的深度学习功能具有广泛的应用——包括语音和图像识别、基于文本的应用、时间序列分析和视频检测。PyTorch 是另一个深度学习库,在计算机视觉和自然语言处理领域的研究人员中很受欢迎。
被称为集成方法 (Ensemble methods) 的统计技术,如装箱、装袋、堆叠和提升,属于 XGBoost、LightGBM 和 CatBoost(最快的推理引擎之一)等工具实现的 ML 算法。Yellowbrick 和 Eli5 提供机器学习可视化功能。
NumPy 是蓬勃发展的 Python 可视化领域的重要组成部分,其中包括 Matplotlib、Seaborn、Plotly、Altair、Bokeh、Holoviz、Vispy、Napari 和 PyVista 等。
NumPy 对大型数组的加速处理使研究人员能够可视化原生 Python 无法处理的超大数据集。