前言

我希望读者以阅读本文文字为辅，编写代码为主。如果感到一头雾水，请一边阅读本文，一边跟着敲出文中的代码，你会很快理解。另外，不必局限于本文的代码段，读者可以自由探索代码的行为，本文所涉及的部分必定是片面的，甚至可能会有谬误，读者必须学会自我探索才能真正理解并掌握。但是对于初学者来说，在入门阶段只需要留个印象，有个基本理解即可，在之后的不断实践中，初学者会自然而然的深入，不必担心自己理解不够，写就对了。

有任何问题请联系博主。

如果认为自己没什么基础，建议先跟随本文代码这个部分，学会怎么使用jupyter notebook运行本文的代码，顺便建立一个基本的理解。

本文代码：

• 链接
• 提取码：1024

使用jupyter notebook打开本文的代码操作示例

步骤1.打开Anaconda Powershell Prompt

点开下面这个应用

步骤2.复制代码文件地址

对着代码文件进行鼠标右键，复制地址。

步骤3.在Anaconda Powershell Prompt中打开jupyter notebook

打开命令的形式如下：

jupyter notebook 你复制的文件地址

在博主的主机中，示例如下：

步骤3.5.解决一个可能的问题

一般来说，执行了步骤3的命令是可以自动跳转到浏览器中查看代码的。

但有些用户可能不会自动跳转，这时候需要手动打开。

在命令行中，通常会输出下图的内容，我们需要将红圈中的任意一个链接复制到浏览器中，就可以打开代码文件了。

步骤4.在浏览器中查看ipynb文件

在下面的格子中In [数字]:的就是代码格，至于没有In [数字]:的格子，那些是文章的段落，仅仅是我写给读者阅读的。

步骤5.运行代码

首先，选中要运行的代码格

我们用鼠标点一下第一个In[数字]:的代码格来选中它，也就是!pip install numpy这一行代码的格子，这段代码的意思是：感叹号!代表将pip install numpy运行在命令行里，它会下载并安装numpy这个库。
如图所示：

然后，我们可以用下面两种方式来运行这个格子中的代码，任选一种即可：

1. 同时按下Shift + Enter这两个按键，可以运行我们选中的这个格子中的代码。
2. 点击这个按钮运行你选中的格子中的代码

重新运行文件中的所有代码

点击这个按钮，再点击即可运行所有代码。

1.安装Numpy

在命令行中执行如下命令即可安装Numpy
在本文附带的ipynb文件中，已经附带了这个命令，建议下载本文的代码，直接运行，就可以下载Numpy.。

步骤1.打开Anaconda Powershell Prompt

点击下面这个应用。

步骤2.执行安装命令

将下面的代码复制到Anaconda Powershell Prompt的黑窗口里执行。

pip install numpy

2.创建Numpy数组

通常可以通过如下方法进行创建Numpy数组

• np.array()，可以传入一个列表作为参数，创建包含列表所有元素的数组
• np.arange()，创建一个包含指定范围中的元素的数组

具体使用请看下方的代码

关于np.array()：其实不止列表可传入np.array()，一些其他数据也可以，比如元祖，如果你后面看到形如np.xxx()这样的东西，规则很多时候也是一样的，有兴趣深入的话请查看官方文档。

import numpy as np  # 导入numpy，并给numpy起一个别名叫“np”，这样编码起来更方便。# 使用np.array()，可以传入一个列表作为参数，创建数组
li = [1, 2, 3, 4, 5]
array_from_list = np.array(li)# 使用np.arange创建数组
array_from_range = np.arange(1, 6, 1)  # 第一个参数为起点，第二个参数为终点，第三个参数为步长print("使用列表创建的数组：", array_from_list)
print("使用np.arange创建的数组：", array_from_range)
print('它们的类型:', type(array_from_list))

运行结果

3.查看Numpy数组的属性

作为NumPy的ndarray对象有三个重要的属性：

• ndarray.ndim - 数组的维度（轴）的个数。
• （常用）ndarray.shape - 数组的维度，值是一个整数元祖，元祖的值代表其所对应的轴的长度。 比如对于二维数组，它用来表达这是个几行几列的矩阵，值为（x, y），其中x代表这个数组中有几行， y代表有几列。
• ndarray.dtype - data type，描述数组中元素的类型

比如下面这个6行1列的数组：

import numpy as np  # 导入numpy# 传入一个二维列表，创建一个二维Numpy数组，存入变量arr中。
arr = np.array([[1], [2], [3], [4], [5], [6]])
print('arr数组: ', arr)
print("arr数组的维度:", arr.ndim)
print("arr数组的形状:", arr.shape)
print("arr数组的数据类型:", arr.dtype)

运行结果

其中我们可以看到，“arr数组的形状:(6, 1)”，也就是arr.shape是(6, 1)，代表形状为：6行1列

4.一维数组的索引和切片

在一维数组上，Numpy数组的索引和切片与Python本身的列表相差不大，按照列表的习惯进行操作即可。

关于索引：

• 每个元素的 索引从0开始
• 可以使用负索引，比如arr[-1]，获取变量arr代表的数组中的倒数第一个元素

关于切片：

• 我们可以通过arr[1:4]来获取变量arr代表的数组中的元素，它们分别是：索引为1，索引为2，索引为3，这三个的元素，切片[1:4]不包括索引4的元素。

import numpy as np  # 导入numpy，它的别名是np# 创建一个一维数组
arr = np.array([10, 20, 30, 40, 50])# 索引：获取第三个元素（每个元素的索引从0开始）
third_element = arr[2]
print('第三个元素:', third_element)# 切片：获取第二个到第四个元素
# 和Python本身的列表一样，切片[1:4]会得到索引为1, 2, 3的元素，不包括索引4的元素。
sub_array = arr[1:4]
print('第二到第四元素:', sub_array)# 切片可以包含步长
every_other_element = arr[::2]
print('每隔一个元素:', every_other_element)# 索引：可以使用负索引，倒序获取元素
last_element = arr[-1]
print('最后一个元素:', last_element)

运行结果

5.二维数组的索引和切片

在二维Numpy数组上，你也可以按照操作Python本身的列表的方式来操作Numpy数组。

但其实Numpy的开发者为Numpy实现了一种更加优雅而强大的索引和切片的写法。

Numpy的写法和Python列表的写法

我们假设变量matrix是一个Numpy的二维数组

1. 获取第二行第三列的元素
   • 可写matrix[1, 2]（Numpy特有），也可以写matrix[1][2]（与操作列表相同）
2. 获取第二列的元素
   • 可写matrix[:, 1]（Numpy特有），很遗憾我们无法通过列表的切片方式快速获取第二列的元素，这也是为什么Numpy数组会更加方便。

相信你看出来了，Numpy特有的方式允许你仅在一对中括号“[]”中编写索引和切片，例如上面的[1, 2]代表的是第二行第三列的元素的索引，[:, 1]代表的是获取整个第二列的元素。

我们再抽象一点，就是[a, b]代表的是索引为a的行和索引为b的列上的元素，[:, b]代表的是获取所有的行里面的索引为b的元素（即整个b列），以此类推。

具体请看下面的代码：

import numpy as np  # 导入numpy，它的别名是np# 利用一个二维列表，创建一个二维数组（矩阵）
matrix = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])# 索引：获取第二行第三列的元素，这里的写法与matrix[1][2]等价
element = matrix[1, 2]  	# Numpy特有的索引写法，不适用于列表
same_element = matrix[1][2] # 按照列表的习惯写索引
print('第二行第三列的元素:', element)
print('第二行第三列的元素:', same_element)# 切片：获取第二列的所有元素
second_column = matrix[:, 1] # 按照Numpy的方法进行切片
print('整个第二列的元素:', second_column)# 切片：获取第一和第二行的第二和第三列这一范围中的元素，即切出子矩阵
sub_matrix = matrix[0:2, 1:3] # 按照Numpy的方法进行切片
print('获取的子矩阵:\n', sub_matrix)# 切片：使用负步长，获取第一行的逆序
reverse_first_row = matrix[0, ::-1]
print('第一行逆序:', reverse_first_row)

运行结果

抱歉在代码中没有展示出matrix的形态，这里补一下matrix这个矩阵的表现形式：
其实就是一个 3 * 3的正方形，在Numpy数组中表现为一个3行3列的矩阵。
[
[1, 2, 3],
[4, 5, 6],
[7, 8, 9]
]

总结

在本文中，我们学习了如何安装Numpy，如何创建Numpy数组，如何通过索引和切片来获取Numpy数组中的数据，这些都是相对来说比较常用的操作。后续的数据分析中，我们在使用其它工具库的时候，会经常进行这些基础而常用的操作。