Python進行數據分析的核心庫肯定是Pandas，該庫差不多可以解決結構化數據的絕大部分處理需求。在《Python數據分析常用函數及參數詳解，可以留著以備不時之需 》一文中也已經對該庫的常用函數進行了詳細介紹。

但是Pandas是構建在Numpy的基礎之上的，它的矢量化運算功能在處理數組和矩陣上具有著非常大的優勢。雖然普通的數據分析任務可能很少用到Numpy庫，但一旦你具有循環需求或是要處理數值型數據時，你應該首先想到該庫。

本文整理了該庫的一些常用函數和基礎知識，整理不易，希望覺得還不錯的朋友可以不吝給個贊。

基礎介紹

在介紹函數之前先介紹下Numpy庫的基本情況，該庫最重要的特點就是其ndarray對象，這個對象可以理解成線性代數里面的數組，每個數組有維度和類型等屬性。

維度

直觀地判斷數組對象有幾個維度可通過判斷其包含在幾層[]中，一層[]即為一維。其中，一維數組可看成是向量，二維數組可看成是有行和列的數據，三維數組可看成是有頁，且每頁中有行和列的數據，至于更高維度就只能意會了。

類型

數組并不是只能存數值型數據，是也可以存字符串的，但它要求元素類型必須一致，不一致時會按照str > float > int的優先級進行類型轉變。例如，在一個整數數組中插入字符串，就會將全部元素轉成字符串類型。

另外說一下廣播機制。通俗地理解廣播機制就是當對不同形狀的數組進行算術運算時，廣播機制會自動將兩個數組補全為相同形狀的數組。但需要具備以下前提條件之一：兩個數組維度數不等時，二者從末尾開始算起的維度的軸長度相等;兩個數組維度數相等時，其中一方的有一個維度的長度為1。關于這一點的理解最好是多加練習。

Numpy常用函數分類

為了更好地理解該庫的函數，本文將常用的函數按照下面方式進行分類。 

其中基礎函數包含對象創建、屬性查看、切片索引、形狀變換等小類;random模塊就是一些常用的隨機函數;char模塊主要是用來處理字符數組類，也就是數組元素是字符串類型的數據;Matlib是Numpy中的矩陣庫，矩陣其實是一種特殊的數組，但它必須是二維的;linglg庫是屬于線性代數的函數庫。

后三個庫的函數一般常用于科學計算和圖像識別等領域，在數據分析中幾乎用不上，因此本文不做介紹，但大家應該知道有這兩個庫，便于有需求時知道Numpy也具備相應的功能。

基礎函數

以下均用arr表示數組，np表示numpy庫

(1)對象創建

array(object, dtype =None,order =None, ndmin =0)  
#order為創建方式，C為行方向，F為列方向，默認為C，ndmin指定生成數組的最小維度 
arange(start=0,stop=4,step=,dtype=)  
#生成一維數組，不包含stop 
linspace(start=,stop=,num=,endpoint=True)  
#生成一維等差數據，endpoint決定是否包含stop值，默認包含 
asarray(object,dtype=None,order=None)  
#將對象轉換為數組 
zeros(shape,dtype=float,order='C')  
#生成元素全為0的數組 
ones(shape,dtype=float,order='C')  
#生成元素全為1的數組 
eye(N,dtype=float,order='C')  
#生成對角線元素為1，其余元素為0的N階矩陣 

(2)屬性查看

arr.shape  
#數組的形狀 
arr.ndim 
#數組的維度 
arr.size 
#數組的長度 
arr.dtype 
#數組數據類型 

(3)切片索引

arr[i]  
#取i行 
arr[[i,j]]  
#取i，j行 
arr[:,i:j]  
#取i到j-1列 
arr[::-1,::-1]  
#元素反轉 
np.where(condition,x,y)  
#condition為真的數組中數據賦值x,否則為y 

(4)形狀變換

arr.reshape(newshape,order=None) 
#newshape為新維度，元組格式 
arr.flatten(order='C')  
#將數組平鋪為一維數組，order表示按行還是按列，默認按行 
arr.T  
#數組轉置 
arr.transpose() 
#數組轉置 
np.append(arr,values,axis=None)  
#axis控制返回什么類型，默認返回的是拼接后的一維數組 
np.concatenate((arr1,arr2,arr3),axis=0)  
#可拼接多個數組 

(5)統計函數

arr.sum(axis = None)  
#axis為整數或者元組  
arr.mean(axis = None)  
#計算平均值 
arr.std(axis = None） 
#計算標準差  
arr.var(axis = None） 
#計算方差   
np.average(arr,axis =None, weights =None) 
#計算數組的加權平均值，weights中為權重 
np.median(arr,axis=None) 
# 計算數組中元素的中位數  
arr.argmin(axis=None)  
##返回數組最小值的位置  
arr.argmax(a) 
#返回數組最大值的位置  
np.dot(arr1,arr2)  
#數組的點積運算 

random庫

隨機函數在生成練習數據等方面是非常有幫助的，可以重點掌握一下。

np.random.rand(d0,d1,d2,……)  
#返回輸入維度的隨機數，隨機數服從[0, 1）區間的均勻分布  
np.random.randn(d0,d1,d2,……) 
#返回輸入維度的標準正態分布隨機數  
np.random.normal(loc=0.0,scale=1.0,size=None) 
#返回輸入維度的正態分布隨機數，可控制正態分布的期望和方差 
np.random.randint(low=,high=,size=None,dtype='l')  
#返回屬于[low,high）區間的隨機整數，size可為元組  
np.random.seed(s)  
#隨機數種子,可保證兩次隨機數生成的結果一樣