Python有着大量功能强大的第三方库。这些第三方库可以大大地扩充Python的功能，我们在实际使用中往往也离不开这些第三方库。
NumPy是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表(nested list structure)结构要高效的多。NumPy(Numeric Python)提供了许多高级的数值编程工具。Numpy的一个重要特性是它的数组计算，是我们做数据分析必不可少的一个包。
导入python库使用关键字import，后面可以自定义库的简称，但是一般都将Numpy命名为np，pandas命名为pd。
使用前一定要先导入Numpy包，导入的方法有以下几种： import numpy import numpy as np #推荐写法 from numpy import * #不是很建议这种写法，因为不用加前缀的话有可能会与其他函数名称起冲突，因而报错
import numpy as np
假设我们想将列表中的每个元素增加1，但列表不支持这样的操作：
a = [1,2,3,4]#a+1 #报错
[x+1 for x in a]
[2, 3, 4, 5]
b = [2,3,4,5]
与另一个数组相加，得到对应元素相加的结果：
a+b #并不是我们想要的结果
[1, 2, 3, 4, 2, 3, 4, 5]
[x+y for(x,y) in zip(a,b)] #都需要利用到列表生成式
[3, 5, 7, 9]
这样的操作比较麻烦，而且在数据量特别大的时候会非常耗时间。
如果我们使用Numpy，就会变得特别简单
a = np.array([1,2,3,4])
a
array([1, 2, 3, 4])
a+1
array([2, 3, 4, 5])
a*2
array([2, 4, 6, 8])
b = np.array([2,3,4,5])
a + b
array([3, 5, 7, 9])
从列表产生数组：
l = [0,1,2,3]
a = np.array(l)
a
array([0, 1, 2, 3])
从列表传入：
a = np.array([1,2,3,4])
a
array([1, 2, 3, 4])
生成全0数组：
np.zeros(5) #括号内传个数，默认浮点数
array([0., 0., 0., 0., 0.])
生成全1的数组：
np.ones(5) #括号内传个数，默认浮点数
array([1., 1., 1., 1., 1.])
np.ones(5,dtype="bool") #可以自己指定类型，np.zeros函数同理
array([ True, True, True, True, True])
可以使用 fill 方法将数组设为指定值
a = np.array([1,2,3,4])
a
array([1, 2, 3, 4])
a.fill(5) #让数组中的每一个元素都等于5a
array([5, 5, 5, 5])
与列表不同，数组中要求所有元素的 dtype 是一样的，如果传入参数的类型与数组类型不一样，需要按照已有的类型进行转换。
a.fill(2.5) #自动进行取整a
array([2, 2, 2, 2])
a = a.astype("float") #[强制类型转换a.fill(2.5)](<https://dolimence.notion.site/06-Python-Pandas-2-6e024e726b534d2dadb4abea3051b805>)
a
array([2.5, 2.5, 2.5, 2.5])
还可以使用一些特定的方法生成特殊的数组
生成整数序列：
a = np.arange(1,10) #左闭右开区间，和range的使用方式同理a
array([1.3, 2.3, 3.3, 4.3, 5.3, 6.3, 7.3, 8.3, 9.3])
生成等差数列：
a = np.linspace(1,10,21) #右边是包括在里面的，从a-b一共c个数的等差数列，其实np.arange好像也可以做...a
array([ 1. , 1.45, 1.9 , 2.35, 2.8 , 3.25, 3.7 , 4.15, 4.6 ,
5.05, 5.5 , 5.95, 6.4 , 6.85, 7.3 , 7.75, 8.2 , 8.65,
9.1 , 9.55, 10. ])
生成随机数
np.random.rand(10)
array([0.48272736, 0.00581325, 0.16110313, 0.52234425, 0.63905254,
0.42691432, 0.37196789, 0.57188523, 0.46437865, 0.43126794])
np.random.randn(10) #标准正态分布
array([-1.4237624 , 1.63058904, -1.9223658 , 0.17736421, 0.54337908,
-1.46049834, 0.2146448 , -0.32785131, -1.08990638, -0.75152502])
np.random.randint(1,20,10) #生成随机整数，从1-20中随机10个
array([12, 6, 4, 3, 13, 19, 5, 4, 14, 16])
查看类型：
a
array([ 1. , 1.45, 1.9 , 2.35, 2.8 , 3.25, 3.7 , 4.15, 4.6 ,
5.05, 5.5 , 5.95, 6.4 , 6.85, 7.3 , 7.75, 8.2 , 8.65,
9.1 , 9.55, 10. ])
type(a)
numpy.ndarray
查看数组中的数据类型：
a.dtype
dtype('float64')
查看形状，会返回一个元组，每个元素代表这一维的元素数目：
a.shape
(4,)
或者使用：
np.shape(a)
(4,)
要看数组里面元素的个数：
a.size
4
查看数组的维度：
a.ndim
1
和列表相似，数组也支持索引和切片操作。
索引第一个元素：
a = np.array([0,1,2,3])
a[0]
0
修改第一个元素的值
a[0] = 10
a
array([10, 1, 2, 3])
切片，支持负索引：
a = np.array([11,12,13,14,15])
a[1:3] #左闭右开，从0开始算
array([12, 13])
a[1:-2] #等价于a[1:3]
array([12, 13])