1. NumPy

NumPy是Python中科学计算的基本软件包。它是一个Python库，提供多维数组对象，各种派生对象（例如蒙版数组和矩阵）以及各种例程，用于对数组进行快速操作，包括数学，逻辑，形状处理，排序，选择，I / O ，离散傅立叶变换，基本线性代数，基本统计运算，随机模拟等等。

NumPy包的核心是ndarray对象。这封装了均匀数据类型的n维数组，为了提高性能，许多操作都在编译后的代码中执行。NumPy数组和标准Python序列之间有几个重要的区别：

  • NumPy数组在创建时具有固定的大小，这与Python列表（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原始数组。
  • NumPy数组中的所有元素都必须具有相同的数据类型，因此在内存中的大小将相同。例外：一个对象可以具有（Python，包括NumPy）对象的数组，从而允许数组具有不同大小的元素。
  • NumPy数组有助于对大量数据进行高级数学运算和其他类型的运算。通常，与使用Python的内置序列相比，此类操作可以更高效地执行，并且代码更少。
  • 越来越多的基于Python的科学和数学软件包都使用NumPy数组。尽管这些通常支持Python序列输入，但它们会在处理之前将此类输入转换为NumPy数组，并且通常会输出NumPy数组。换句话说，为了有效地使用很多（也许甚至是大多数）当今基于科学/数学的基于Python的软件，仅仅知道如何使用Python的内置序列类型是不够的-人们还需要知道如何使用NumPy数组。

2. NumPy在Python生态圈中的地位

在Python的世界里，没有一个模块能够像NumPy那样支撑并影响着整个生态系统：从科学计算到数据处理，从视觉识别到机器学习，从神经网络到虚拟现实，处处都有它的身影。

无论是OpenCV、OpenGL，还是Pandas、Matplotlib，抑或是Scikti-learn、TensorFlow、Keras、Theano、PyTorch，无不依赖于NumPy，尤其是依赖它所创造的数组对象（numpy.ndarray）。

在Python生态圈中，NumPy的重要性和普遍性日趋增强。换句话说，为了高效地使用当今机器学习和数据处理等基于Python的工具包，只知道如何使用Python的列表是不够的，还需要熟练使用NumPy数组。