作者
天元浪子
责编
郭芮
出品
CSDN博客
大约七八年前，我曾经用pyOpenGL画过地球磁层顶的三维模型，这段代码至今仍然还运行在某科研机构里。在那之前，我一直觉得自己是一个合（you）格（xiu）的Python程序员，似乎无所不能。但磁层顶模型的显示效果令我沮丧——尽管这个模型只有十几万个顶点，拖拽、缩放却非常卡顿。
最终，我把顶点数量删减到两万左右，以兼顾模型质量和响应速度，才勉强交付了这个任务。从此我开始怀疑Python的性能，甚至一度怀疑Python是否还是我的首选工具。
幸运的是，后来我遇到了NumPy这个神器。NumPy是Python科学计算的基础软件包，提供多维数组对象，多种派生对象（掩码数组、矩阵等）以及用于快速操作数组的函数及API，它包括数学、逻辑、数组形状变换、排序、选择、I/O、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。
了解NumPy之后，我才想明白当初磁层顶的三维模型之所以慢，是因为使用了list（Python数组）而不是ndarray（NumPy数组）存储数据。有了NumPy，Python程序员才有可能写出媲美C语言运行速度的代码。熟悉NumPy，才能学会使用PyOpenGL/PyOpenCV/Pandas/Matplotlib等数据处理及可视化的模块。
事实上，NumPy的数据组织结构，尤其是数组（numpy.ndarray），几乎已经成为所有数据处理与可视化模块的标准数据结构了（这一点，类似于在机器学习领域Python几乎已经成为首选工具语言）。越来越多的基于Python的科学和数学软件包使用NumPy数组，虽然这些工具通常都支持Python的原生数组作为参数，但它们在处理之前会还是会将输入的数组转换为NumPy的数组，而且也通常输出为NumPy数组。在Python的圈子里，NumPy的重要性和普遍性日趋增强。换句话说，为了高效地使用当今科学/数学基于Python的工具（大部分的科学计算工具），你只知道如何使用Python的原生数组类型是不够的，还需要知道如何使用numpy数组。
在这个AI和ML霸屏的时代，如果不懂NumPy，请别说自己是Python程序员。
listVSndarray
numpy的核心是ndarray对象（numpy数组），它封装了python原生的同数据类型的n维数组（python数组）。numpy数组和python数组之间有几个重要的区别：
numpy数组一旦创建，其元素数量就不能再改变了。增删ndarray元素的操作，意味着创建一个新数组并删除原来的数组。python数组的元素则可以动态增减。numpy数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。python数组则无此要求。numpy数组的方法涵盖了大量数学运算和复杂操作，许多方法在最外层的numpy命名空间中都有对应的映射函数。和python数组相比，numpy数组的方法功能更强大，执行效率更高，代码更简洁。然而，以上的差异并没有真正体现出ndarray的优势之所在，ndarray的精髓在于numpy的两大特征：矢量化（vectorization）和广播（broadcast）。矢量化可以理解为代码中没有显式的循环、索引等，广播可以理解为隐式地对每个元素实施操作。矢量化和广播理解起来有点抽象，我们还是举个栗子来说明一下吧。
例题：a和b是等长的两个整数数组，求a和b对应元素之积组成的数组。
1、用python数组实现：
c=list()foriinrange(len(a)):c.append(a*b)
2、用numpy数组实现：
c=a*b
这个栗子是不是体现了矢量化和广播的强大力量呢？请仔细体会！
总结：
矢量化代码更简洁，更易于阅读；更少的代码行通常意味着更少的错误；代码更接近于标准的数学符号；矢量化代码更pythonic。
dtypeANDshape
子曰：找对象先了解品行，学对象先了解属性。ndarray对象有很多属性，详见下表。
基于以下三个原因，我认为，dtype和shape是ndarray最重要的两个属性，重要到几乎可以忽略其他的属性。
我们趟过的坑，几乎都是dtype挖的；我们的迷茫，几乎都是因为shape和我们期望的不一样；我们的工作，很多都是在改变shape。ndarray.astype()可以修改元素类型，ndarray.reshape()可以重新定义数组的结构，这两个方法的重要性和其对应的属性一样。记住这两个属性和对应的两个方法，就算是登堂入室了。想了解numpy支持的元素类型，