基础运算

既然 Numpy 是一个科学计算的模块，那么必定最牛逼的就是它的计算能力和多样的计算功能。 对于一个 Python 中数学运算的怪兽，Numpy 合理运用了 C 语言的能力，将 Python 的易用性和 C 的高效完美结合。

本节囊括的方法：

• 加减乘除
  • +-*/
  • np.dot()
• 数据统计分析
  • np.max() np.min() np.sum() np.prod() np.count()
  • np.std() np.mean() np.median()
• 特殊运算符号
  • np.argmax() np.argmin()
  • np.ceil() np.floor() np.clip()

加减乘除¶

在 Numpy 中进行加减乘除可比 List 有效率多了，为什么这么说？Numpy 可以让在 Array 中的每一个元素都快速计算，甚至有时候还可以帮你自动并行运算。 比如你要为一个列表中的每个元素都加上一个值，比如收集了一批学生的身高，一年后，大家都长高了 3cm。

用列表你需要使用到一个循环，或者是一个map函数来帮你实现这个功能。

看似 map 也挺试用的，不过一般来说，这个写法还是比较复杂的。如果我们用 Numpy 的方式来实现，怎么搞？

Numpy 是可以批量进行计算的，只需要简单的 +-*/，就能进行全元素的运算，也就是向量化运算。同理，我们也可以进行其他符号的批量运算。

在科学运算，机器学习中。矩阵运算毋庸置疑十分重要， 我们在之后的小练习中也会着重体验到重要性。 下面我来介绍在机器学习中最常用的矩阵点积运算。

从上面可以看出，你有两种写法。1）直接用一个矩阵 dot 另一个；2）用 np.dot(a, b) 把两个矩阵包起来。 因为 莫烦Python 有很多 AI 的内容，所以我分享的时候，就偏向于往 AI 方向带啦，见谅啦。

当然，矩阵还有很多其他的计算，比如 np.outer() 矩阵外积，np.inner() 矩阵内积 （和 np.dot() 的用法稍稍有些不同，你可以理解成 np.dot(a, b）= np.inner(a, b.T), 把 b 做一次转置）。

数据统计分析¶

用 Numpy 做数据分析理所应当，但是如果数据的种类多样的话，我还是比较推荐用 Pandas 来做分析的，后面我们也会进入交互式的 Pandas 教学. 不过，就我个人经验，在数据量比较大的时候，我更喜欢直接 Numpy 来搞，因为 Numpy 的速度还是要比 Pandas 快上不少。

那么什么是数据分析呢？其实也就是在数据中找到你想要的一些变量，总结数据的规律。最简单的当属找到最大值最小值了。 比如上面的身高数据，你想找全班最高和最矮的。

这里也有两种方法可以获取到最大最小，只是不同的写法罢了，你习惯用哪个就用哪个好了。

1. np.max(a), np.min(a)
2. a.max(), a.min()

当有一天，你有个躺尸的活动，要计算每个人躺下来头尾相连，有多长，我们怎么算？当然就是累加啦。

还有一个，累乘的计算，这个我不好做比喻，但是你肯定能在生活中找到一些需要累乘的例子的。 我还想一同介绍的是一个计数的函数，这个用来统计总共有多少人。

在统计学中，我们常会有两个概念，均值，中位数。算算你公司的平均工资是多少？不算不知道，一算吓一跳， 我们公司，因为有一个工资很高的人，平均工资是 4.82w，哈哈哈，我也被平均了。 但是这时候，为了更准确看到普通民众的薪资水平，最好还是用中位数（1.2w）更可靠。

在统计数据分布的时候，还有一个值也比较重要，standard deviation 标准差，用来描述正态分布。 这个在机器学习中，特别是深度神经网络中也非常重要，特别用于权重的生成原则。

特殊运算符号¶

还有一些有的没的，时不时会用上的功能，我在这里给大家介绍 4 个，但是除了这 4 个，当你需要更多能力的时候， 建议你直接搜索对应的功能。现在给你看太多，多一段时间，你也很难回忆的起来。

有的时候，其实你不关心 np.max() 或者 np.min() 的数值是多少，而是关心这个数值的序号， 比如还是那个身高的例子，我找到了最高身高，其实我是想对应上人的。用 np.argmax() 和 np.argmin() 就能搞定。

另外一个时不时会用到的功能是，取天花板的值还是地板的值，这个在 AI 算法中也比较常见， 比如我要对其做取整处理，抹除小数部分。

那我如果还有更自由的取值截取空间时咋办？我可以用 np.clip() 来做上下界限的值截取。

总结¶

其实 Numpy 中做数据运算的功能，比我这里列举的要多很多，我只是列举了一些我在数据分析和人工智能算法中，经常会使用到的一些功能。 还有更多的功能，可以在他的官方网站查找哦。