numpy
NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
软件简介
一个用python实现的科学计算，包括：
1、一个强大的N维数组对象Array；
2、比较成熟的（广播）函数库；
4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包SciPy配合使用更加方便。
NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，美国航空航天局用其处理一些本来使用C++，Fortran或MATLAB等所做的任务。
开发历史
NumPy的前身Numeric最初由Jim Hugunin创建，后由多位开发者贡献代码。
1995年，Python的特别兴趣小组matrix-sig成立，旨在定义一个数组计算包，Python设计师Guido van Rossum也参与其中。Numeric由Jim Fulton实现，后由Jim Hugunin泛化，受到多种编程语言的影响。Numarray作为Numeric的替代品出现，但在处理小型数组时性能较慢。
2005年，Travis Oliphant将Numarray的特性整合到Numeric中，创建了NumPy。NumPy是开源软件，也是NumFOCUS财政赞助项目。它是SciPy的一部分，但为了避免安装大型SciPy包，NumPy被分离出来。对Python 3的支持是在2011年的NumPy版本1.5.0中添加的。
功能特色
综述
NumPy针对Python的CPython参考实现，提供了多维数组、函数和运算符，使得数学算法的运行速度得到提升。NumPy的核心是其“ndarray”（n维数组）数据结构，这些数组是对内存的分块视图，所有元素必须是相同类型的。NumPy内置支持内存映射的ndarrays。NumPy的数组必须是对连续内存缓冲区的视图，这导致了一些限制，例如向数组中插入或追加条目并不简单。NumPy的操作通常在单个CPU上执行，但许多线性代数操作可以通过在CPU集群或专用硬件上执行来加速。科学Python生态系统中出现了几种替代的数组实现，如Dask、TensorFlow或JAX。CuPy是由英伟达的CUDA框架加速的NumPy的“PnP”替代品。
数据类型
numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为Python 内置的类型。下表列举了常用 NumPy 基本类型。
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 NPbool_，np.int32，np.float32，等等。
数组属性
NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
NumPy 的数组中比较重要 ndarray 对象属性有：
数组类型ndarray。
NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
ndarray到底跟原生Python列表的区别：
从图中我们可以看出ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。
numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。
Numpy底层使用c语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。
ndarray的属性
生成数组的方法：
empty(shape[, dtype, order])
empty_like(a[, dtype, order, subok])
eye(N[, M, k, dtype, order])
identity(n[, dtype])
ones(shape[, dtype, order])
ones_like(a[, dtype, order, subok])
zeros(shape[, dtype, order])
zeros_like(a[, dtype, order, subok])
full(shape, fill_value[, dtype, order])
full_like(a, fill_value[, dtype, order, subok])