从前面的学习中我们知道，机器学习是以大量数据为基础的。
由此就引出一个问题：那么多的数据我们要如何处理呢？
别担心，嘻嘻，Python开发人员早有准备。
为了拓宽数据科学方面的应用，Numpy库应运而生。Numpy是Python用来进行矩阵运算、高维数组运算的数学计算库。
接下来，我就简单介绍一下Numpy的相关使用。
一、导入Numpy库
为了书写方便，一般用别名np代替Numpy库（如果安装的是anaconda，Numpy库是自带的）。
import numpy as np
二、常用函数
导入Numpy库之后，可以用Numpy生成数组。使用array()函数可以生成一个数组，与列表的区别是没有逗号：
a = np.array([[1,2,3,4],[5,6,7,8]])
print(a)
上方的代码将生成一个二维数组，结果如图：
如果想改变数组的维度，获取4行2列数组，可以通过reshape()方法实现：
b = a.reshape((4,-1))
print(b)
reshape()中的参数(4,-1)表示将数组转换为4*X的新数组，X等于数组a中元素个数的1/4。参数-1是一种“懒人”方法，表示由Python通过行参数4自动计算出列数。
此外，默认是按照行优先改变数据维度，也可以设置参数order="F"，按照列优先改变数据维度：
c = a.reshape((4,2), order="F")
print(c)
虽然数组的维度没有改变，但是元素对应的位置已经不同了。
想要提取数组中的某些元素，可以使用切片的方式来提取。如提取第2行中的5和7：
d = c[1,:]
print(d)
获取结果如图：
当然，也可以使用切片的方法修改数组中相应位置的数值，比如将数组c中第二列的中间两个数变为0，可以这样操作：
c[1:3,1] = 0
print(c)
可以看出，逗号左边表示行号，右边表示列号，由此就能任意截选出我们需要的数据。
数组不仅可以是二维的，也可以是多维的。下面生成一个三维数组e：
e = np.array([c,c*2])
print(e)
数组e是一个2*2*4的数组，也就是说由2个2*4的矩阵构成。
Numpy中的linspace()函数可以在指定的两个数之间生成固定数量的等间距（步长）数组，如：
f = np.linspace(start=1,stop=12,num=5)
print(f)
上方代码生成一个从1到12的5个等间距的数组。
如果想以指定的步长来生成一个向量，可以使用arange()方法，如从1开始，步长为3，生成小于等于12的向量：
g = np.arange(1,12,3)
print(g)
使用ones()函数可以生成全1数组，如生成一个2*3的全1数组：
h = np.ones((2,3))
print(h)
使用zeros()函数可以生成全0数组，如生成一个2*3的全0数组：
i = np.zeros((2,3))
print(i)
若想生成单位数组（对角线为1，其余全是0），可以使用eye()函数，如生成一个3*3的单位数组：
j = np.eye(3)
print(j)
当然，也可以指定对角线的元素取值：
k = np.diag(np.arange(1,13,4))
print(k)
使用diag()函数可以得到一个数组的对角线元素，也可以获取对角线的值：
l = np.diag(np.arange(1,26,3).reshape((3,3)))
print(l)
Numpy中的Random模块是用来生成随机数的有力工具，通过seek()方法能指定随机数种子，保证生成的随机数是可重复的。如要生成一个可重复的3*3随机数组，可以用如下方法：
np.random.seed(2)
m = np.random.randn(3, 3)
print(m)
当然，一些常用的统计函数也能实现，如均值用mean()方法：
n = np.arange(10)
print(n.mean())
标准差可以使用std()方法：
n = np.arange(10)
print(n.std())
数组排序可以使用sort()方法，默认是每行自动排序：
p = np.sort([[2,5,3],[10,6,8]])
print(p)
数组的百分位数可以用percentile()函数：
q = np.arange(10)
print(np.percentile(q, 50))
中位数用median()函数：
q = np.arange(10)
print(np.median(q))
当个数为偶数时，中位数是中间两个数字之和除以2。
Numpy的计算方法还有很多，大家可以去网上查阅，这里只说几个常用的。
Numpy主要以数组为操作对象，在生成和调整数组方面优势非常明显。但直接观察数组却不太方便，没有序号、排列不齐等问题并不利于我们寻找数据规律，所以我们需要继续学习。
下一次我们将介绍Pandas库，让数据的处理和操作变得更加简单快捷。
