NumPy（Numerical Python）是Python的一種開源的數值計算擴展。這種工具可用來存儲和處理大型矩陣，比Python自身的嵌套列表（nested list structure)結構要高效的多（該結構也可以用來表示矩陣（matrix）），支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。
軟件簡介
一個用python實現的科學計算，包括：
1、一個強大的N維數組對象Array；
2、比較成熟的（廣播）函數庫；
4、實用的線性代數、傅里葉變換和隨機數生成函數。numpy和稀疏矩陣運算包SciPy配合使用更加方便。
NumPy（Numeric Python）提供了許多高級的數值編程工具，如：矩陣數據類型、矢量處理，以及精密的運算庫。專為進行嚴格的數字處理而產生。多為很多大型金融公司使用，以及核心的科學計算組織如：Lawrence Livermore，美國航空航天局用其處理一些本來使用C++，Fortran或MATLAB等所做的任務。
開發歷史
NumPy的前身Numeric最初由Jim Hugunin創建，后由多位開發者貢獻代碼。
1995年，Python的特別興趣小組matrix-sig成立，旨在定義一個數組計算包，Python設計師Guido van Rossum也參與其中。Numeric由Jim Fulton實現，后由Jim Hugunin泛化，受到多種編程語言的影響。Numarray作為Numeric的替代品出現，但在處理小型數組時性能較慢。
2005年，Travis Oliphant將Numarray的特性整合到Numeric中，創建了NumPy。NumPy是開源軟件，也是NumFOCUS財政贊助項目。它是SciPy的一部分，但為了避免安裝大型SciPy包，NumPy被分離出來。對Python 3的支持是在2011年的NumPy版本1.5.0中添加的。
功能特色
綜述
NumPy針對Python的CPython參考實現，提供了多維數組、函數和運算符，使得數學算法的運行速度得到提升。NumPy的核心是其“ndarray”（n維數組）數據結構，這些數組是對內存的分塊視圖，所有元素必須是相同類型的。NumPy內置支持內存映射的ndarrays。NumPy的數組必須是對連續內存緩沖區的視圖，這導致了一些限制，例如向數組中插入或追加條目并不簡單。NumPy的操作通常在單個CPU上執行，但許多線性代數操作可以通過在CPU集群或專用硬件上執行來加速。科學Python生態系統中出現了幾種替代的數組實現，如Dask、TensorFlow或JAX。CuPy是由英偉達的CUDA框架加速的NumPy的“PnP”替代品。
數據類型
numpy 支持的數據類型比 Python 內置的類型要多很多，基本上可以和 C 語言的數據類型對應上，其中部分類型對應為Python 內置的類型。下表列舉了常用 NumPy 基本類型。
numpy 的數值類型實際上是 dtype 對象的實例，并對應唯一的字符，包括 NPbool_，np.int32，np.float32，等等。
數組屬性
NumPy 數組的維數稱為秩（rank），秩就是軸的數量，即數組的維度，一維數組的秩為 1，二維數組的秩為 2，以此類推。
在 NumPy中，每一個線性的數組稱為是一個軸（axis），也就是維度（dimensions）。比如說，二維數組相當于是兩個一維數組，其中第一個一維數組中每個元素又是一個一維數組。所以一維數組就是 NumPy 中的軸（axis），第一個軸相當于是底層數組，第二個軸是底層數組里的數組。而軸的數量——秩，就是數組的維數。
很多時候可以聲明 axis。axis=0，表示沿著第 0 軸進行操作，即對每一列進行操作；axis=1，表示沿著第1軸進行操作，即對每一行進行操作。
NumPy 的數組中比較重要 ndarray 對象屬性有：
數組類型ndarray。
NumPy提供了一個N維數組類型ndarray，它描述了相同類型的“items”的集合。
ndarray到底跟原生Python列表的區別：
從圖中我們可以看出ndarray在存儲數據的時候，數據與數據的地址都是連續的，這樣就給使得批量操作數組元素時速度更快。
這是因為ndarray中的所有元素的類型都是相同的，而Python列表中的元素類型是任意的，所以ndarray在存儲元素時內存可以連續，而python原生list就只能通過尋址方式找到下一個元素，這雖然也導致了在通用性能方面Numpy的ndarray不及Python原生list，但在科學計算中，Numpy的ndarray就可以省掉很多循環語句，代碼使用方面比Python原生list簡單的多。
numpy內置了并行運算功能，當系統有多個核心時，做某種計算時，numpy會自動做并行計算。
Numpy底層使用c語言編寫，內部解除了GIL（全局解釋器鎖），其對數組的操作速度不受Python解釋器的限制，效率遠高于純Python代碼。
ndarray的屬性
生成數組的方法：
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])
參考資料 >