本文始發於個人公衆號：TechFlow，原創不易，求個關注
今天是Numpy專題的第二篇，我們來進入正題，來看看Numpy的運算。
上一篇文章當中曾經提到過，同樣大小的數據，使用Numpy的運算速度會是我們自己寫循環來計算的上百倍甚至更多。並且Numpy的API非常簡單，通常只要簡單幾行代碼就可以完成非常複雜的操作。
計算與廣播
在Python中的數組無論是什麼類型，我們是無法直接對其中所有的元素進行計算的。想要做到這一點，必須要通過map這樣的方式操作。而Numpy當中，我們可以很方便地對一整個數組或者是矩陣進行各式的計算。
首先，我們先定義一個Numpy的數組：
arr = np.array([[1,2,3],[2,2,3]])
首先而我們來看一下基本的四則運算：
這張圖中我們可以看出兩點，首先是Numpy當中的數組重載了四則運算符，我們可以直接通過加減乘除進行計算。第二點是Numpy自動替我們做了映射，雖然我們運算操作的對象是數組本身，但是Numpy自動替我們映射到了其中的每一個元素。
如果你不喜歡直接運算，想要使用Numpy的api進行調用，也是一樣可以的。Numpy當中也爲加減乘除提供了api。
我們甚至還可以比較兩個數組的大小，得到的結果是一個bool型的數組，代表其中每一個元素的大小關係。
除了列舉的這些之外，Numpy當中還提供了許多其他的api來進行各種計算，幾乎囊括了所有常見的數學計算公式。比如log、exp、pow、開方、三角函數等等計算，基本上api的名稱和math當中的一樣，大家也沒有必要都記住，基本上可以根據英文猜出來，一般來說記住常用的，其他的可以等到使用的時候再查閱。
廣播
理解了Numpy中的基本操作之後，接下來要介紹一個非常重要的概念，叫做廣播。如果這個概念理解不到位，那麼後來在使用的過程當中，會遇到很多頭疼的問題，或者是總是看不懂別人的代碼。
廣播的英文叫做broadcasting，這個思想應用的範圍很廣，比如分佈式消息中間件等很多領域都有化用。在Numpy計算當中，廣播指的是將一個小的數據應用在大數據的計算上。這個概念其實很形象，我們來看個例子。
比如我們想要對Numpy中的數組每一位的元素都加上3，我們當然可以創造出一個同樣大小的數組來，然後再把它們相加。但是大可不必這麼麻煩，我們直接用原數組加上3即可，Numpy內部會發現3和我們的數據大小不一致，然後自動幫我們把3拓充到和我們的數據一樣大小的數組再進行計算：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-d5OM0glu-1589762176089)(https://tva1.sinaimg.cn/large/007S8ZIlgy1geudfdqm24j30lg04iaa7.jpg)]
它其實等價於：
np.full_like(arr, 3) + arr
如果你能理解了上面這個操作，那麼同樣的，我們要對所有的元素平方或者是開方也都不在話下了：
廣播並不是只可以用在數組和一個整數之間，還可以用在數組和另外一個規模更小的數組當中，但是會對兩者的shape有所要求。Numpy規定，兩個數組的shape必須相等或者其中一個爲1纔可以執行廣播操作。
比如說剛纔我們創建的arry數組的shape是(3, 2)，我們可以讓它和一個大小是(1, 2)或者是(3, 1)的“小數組”進行運算，這同樣是支持的。
如果你看不明白上面的計算過程， 我下面用一張圖做一下演示。
從圖中可以看到左邊的數組shape是(2, 3)，右邊的數組shape是(2, 1)，滿足Numpy對於廣播機制的要求。Numpy會自動對右邊數組shape爲1的維度進行廣播，也就是將它複製若干份使得它們的shape相等。如果你把左邊的數組看成是若干個聽廣播的人，右側的數組看成是消息的話，那麼廣播機制就是把消息複製若干份，讓每一個聽廣播的人聽到同樣的內容。所以這個名字還是很形象的。
切片
Python中數組爲人稱道的很重要的一點就是它的切片操作非常方便，Numpy作爲依託於Python的計算包，自然也繼承了這一點，所以在Numpy當中，我們也可以很方便地使用切片功能。切片的使用方法和Python基本是一樣的。
我們用上下標加上冒號來表示我們想要切片的範圍， 和Python一樣，這是一個左閉右開的區間。
我們也可以省略其中的一個範圍，只提供上界或者是下界：
我們還可以上下界都省略，表示全部都要，以及倒序切片的方法也和Python是一樣的。
但是有一點不太一樣，Numpy中的切片和golang中的切片比較像，它代表原數組一段區間的引用，而不是拷貝。也就是說我們修改切片中的內容是會影響原數組的，我們對一個切片賦值，明顯可以發現原數組的對應位置發生了改變。
這麼設計的原因和golang是一樣的，因爲Numpy是爲了大數據計算而誕生的，大數據計算顯然性能是一個非常重要的考量指標。如果這裏不是設計成引用，而是拷貝的話，那麼當一個大的切片產生的時候，必然會涉及到大量拷貝的操作。不僅非常消耗內存，並且也會佔用大量計算資源。如果使用引用可以非常快速地返回結果。
golang當中如此設計，也是一樣的道理。
那問題來了，如果我們想要拷貝出一份切片出來，而不是獲得一個切片應該怎麼辦？答案也很簡單，我們可以調用copy方法，獲取一份拷貝。
arr[3:10].copy()
索引
理解了切片的用法之後，我們接下來看看索引。索引也是Numpy當中非常重要的概念，應用也非常普遍。
Numpy當中的索引對應數組中的維度，比如一個二維的數組，當我們用下標訪問的時候，獲得的其實是一個一維的數組。所以如果我們想要訪問一個具體的元素的時候，能做的就是繼續往下指定下標：
這個很好理解，和Python當中的多維數組的用法是一樣的。上面我們用了兩個方括號去鎖定一個元素的位置，爲了寫起來方便，我們還可以用逗號分隔查詢。友情提醒，Python原生的數組並不支持這樣的操作，不要搞混哦。
同樣的道理，如果是多維的數組也是一樣的，我們依次寫出從0到k維的座標來獲取一個固定的元素。如果我們給出的座標信息較少，那麼則會獲得一個數組。
拿3維數組舉例，如果我們訪問的時候只用一個下標，那麼我們獲得的是一個二維數組。如果使用兩個下標，則獲得的是一個一維數組。對於更高的維度也是同樣。
結尾
今天的文章我們一起了解了Numpy當中常見的計算api以及廣播和索引機制，關於索引的使用今天只是開了個頭，還有很多非常靈活的用法，由於篇幅的限制，我們分成了多篇文章，會在之後的文章當中一一介紹。
今天介紹的也是Numpy的基礎內容，除了廣播機制稍稍需要思考一下之外，其餘的應該都非常簡單，我相信大家都能看明白。Numpy之所以普及，除了速度快之外，api簡單易用，學習成本低也是很大的特點。
各位看官，喜歡本文的話點個關注唄
