Numpy官方API中英对照版文档及资源下载

版权申诉
5星 · 超过95%的资源 2 下载量 37 浏览量 更新于2024-10-05 1 收藏 1.56MB ZIP 举报
资源摘要信息:"numpy-1.22.2-1.5.7-API文档-中英对照版.zip" 标题解析: 文件标题"numpy-1.22.2-1.5.7-API文档-中英对照版.zip"表明了本资源包包含的内容主要集中在NumPy库的1.22.2和1.5.7版本的API文档,提供了中英文对照版本,方便不同语言背景的开发者阅读和理解。API文档是软件开发中重要的参考资料,它详细记录了库或框架提供的函数、类、方法、属性等接口的使用方式和功能描述。"zip"格式意味着这是一个压缩包文件,用于将多个文件打包成一个文件以便于存储和传输。 描述解析: 文件描述中提到的"赠送jar包"指的是Java平台上的压缩包格式,通常用于分发和部署Java应用程序。具体到"numpy-1.22.2-1.5.7.jar",该jar包可能是一个由第三方平台(如bytedeco)提供的封装,使得NumPy这一在Python中广泛使用的科学计算库能够在Java环境中使用。"numpy-1.22.2-1.5.7-javadoc.jar"和"numpy-1.22.2-1.5.7-sources.jar"分别是包含了Java文档注释和源代码的jar包,这对于理解库的内部结构和实现细节非常有帮助。"numpy-1.22.2-1.5.7.pom"文件则是Maven依赖管理工具使用的项目对象模型文件,它描述了项目的构建配置信息,如项目依赖、构建顺序和插件等。 描述中还提到了"包含翻译后的API文档",这表示开发者无需精通英语也能理解NumPy的API,从而降低语言障碍对编程的影响。"Maven坐标"是指在Maven项目中定义该jar包的唯一标识,格式通常为groupId:artifactId:version[-classifier],这里用于声明依赖关系和管理项目的构建。 标签解析: 标签"bytedeco"可能是指一个提供Java平台上的本地库封装的组织或项目,"numpy"指的就是我们熟悉的科学计算库,"中英对照文档"强调了文档的双语特性,而"jar包"和"java"则明确了资源包的格式和适用平台。 文件名称列表解析: 文件名称列表中只有一个"numpy-1.22.2-1.5.7-API文档-中英对照版",说明该压缩包内包含了上述描述的文档和相关资源,是使用zip格式打包的文件。 知识点总结: 1. NumPy库:一个广泛应用于科学计算领域的Python库,提供了强大的多维数组对象和一系列操作这些数组的函数。 2. Maven:一个Java平台上的项目管理和构建自动化工具,通过定义项目对象模型来控制构建过程。 3. Java文档注释(Javadoc):一种生成API文档的工具,能从Java源代码中提取特定格式的注释,并生成格式化的API文档。 4. jar文件:Java平台上的软件包格式,包含Java类文件和相关的元数据和资源文件。 5. 中英对照文档:一种双语版的文档,便于非英语母语用户在学习技术的同时学习英语。 6. Maven依赖管理:一种管理项目依赖(如库、框架等)的方式,方便开发者在项目中引入所需的外部库。 使用方法解析: 要使用本资源包,首先需要解压"numpy-1.22.2-1.5.7-API文档-中英对照版.zip"文件,之后使用浏览器打开解压后得到的"index.html"文件即可开始浏览和查阅NumPy库的API文档。这种做法不仅可以让用户快速找到所需的API说明,还能够通过中英对照的方式提高英文阅读能力,实现技术学习与语言学习的结合。
2020-05-21 上传
说明:本文档所有内容来源于网络 https://www.numpy.org.cn/user/ 目录 1. NUMPY 介绍 1 1.1 什么是 NUMPY? 1 1.2 为什么 NUMPY 这么快? 3 1.3 还有谁在使用 NUMPY? 3 2. 快速入门教程 4 2.1 先决条件 4 2.2 基础知识 4 2.2.1一个例子 5 2.2.2 数组创建 6 2.2.3 打印数组 8 2.2.4 基本操作 10 2.2.5 通函数 13 2.2.6 索引、切片和迭代 14 2.3 形状操纵 18 2.3.1改变数组的形状 18 2.3.2 将不同数组堆叠在一起 20 2.3.3 将一个数组拆分成几个较小的数组 22 2.4 拷贝和视图 23 2.4.1 完全不复制 23 2.4.2 视图或浅拷贝 24 2.4.3 深拷贝 25 2.4.4 功能和方法概述 26 2.5 LESS 基础 26 广播(Broadcasting)规则 27 2.6 花式索引和索引技巧 27 2.6.1使用索引数组进行索引 27 2.6.2使用布尔数组进行索引 31 2.6.3 ix_()函数 34 2.6.4使用字符串建立索引 37 2.7线性代数 37 简单数组操作 37 2.8技巧和提示 38 2.8.1“自动”整形 39 2.8.2矢量堆叠 39 2.8.3直方图 40 2.9进一步阅读 41 3. NUMPY 基础知识 42 3.1 数据类型 42 3.1.1 数组类型之间的转换 42 3.1.2 数组标量 45 3.1.3 溢出错误 46 3.1.4 扩展精度 47 3.2 创建数组 47 3.2.1 简介 48 3.2.2 将Python array_like对象转换为Numpy数组 48 3.2.3 Numpy原生数组的创建 48 3.2.4 从磁盘读取数组 50 3.3 NUMPY与输入输出 51 3.3.1 定义输入 51 3.3.2 将行拆分为列 52 3.3.3 跳过直线并选择列 54 3.3.4 选择数据的类型 55 3.3.5 设置名称 56 3.3.6 调整转换 59 3.3.7 快捷方式函数 62 3.4 索引 62 3.4.1 赋值与引用 63 3.4.2 单个元素索引 63 3.4.3 其他索引选项 64 3.4.4 索引数组 65 3.4.5 索引多维数组 66 3.4.6 布尔或“掩码”索引数组 67 3.4.7 将索引数组与切片组合 69 3.4.8 结构索引工具 70 3.4.9 为索引数组赋值 71 3.4.10 在程序中处理可变数量的索引 72 3.5 广播 73 3.6 字节交换 78 3.6.1字节排序和ndarrays简介 78 3.6.2 更改字节顺序 80 3.7 结构化数组 82 3.7.1 介绍 82 3.7.2 结构化数据类型 83 3.7.3 索引和分配给结构化数组 88 3.7.4 记录数组 96 3.7.5 Recarray Helper 函数 98 3.8编写自定义数组容器 116 3.9子类化NDARRAY 124 3.9.1 介绍 124 3.9.2 视图投影 125 3.9.3 从模板创建 126 3.9.4 视图投影与从模板创建的关系 126 3.9.5 子类化的含义 126 3.9.6 简单示例 —— 向ndarray添加额外属性 132 3.9.7 稍微更现实的例子 —— 添加到现有数组的属性 134 3.9.8 __array_ufunc__ 对于ufuncs 135 3.9.9 __array_wrap__用于ufuncs和其他函数 139 3.9.10 额外的坑 —— 自定义的 __del__ 方法和 ndarray.base 142 3.9.11 子类和下游兼容性 143 4. 其他杂项 144 4.1 IEEE 754 浮点特殊值 144 4.2 NUMPY 如何处理数字异常的 146 4.3 示例 146 4.4 连接到 C 的方式 147 4.4.1 不借助任何工具, 手动打包你的C语言代码。 147 4.4.2 Cython 148 4.4.3 ctypes 148 4.4.4 SWIG(自动包装发生器) 149 4.4.5 scipy.weave 149 4.4.6 Psyco 149 5. 与MATLAB比较 149 5.1 介绍 150 5.2 一些关键的差异 150 5.3 'ARRAY'或'MATRIX'?我应该使用哪个? 151 5.3.1 简答 151 5.3.2 长答案 151 5.4 MATLAB 和 NUMPY粗略的功能对应表 153 5.4.1 一般功能的对应表 153 5.4.2 线性代数功能对应表 154 5.5 备注 161 5.6 自定义您的环境 163 5.7 链接 164 6. 从源代码构建 164 6.1 先决条件 164 6.2 基本安装 164 6.3 测试 165 并行构建 165 6.4 FORTRAN ABI不匹配 165 6.4.1 选择fortran编译器 166 6.4.2 如何检查BLAS / LAPACK /地图集ABI 166 6.5 加速BLAS / LAPACK库 166 6.5.1 BLAS 166 6.5.2 LAPACK 167 6.5.3 禁用ATLAS和其他加速库 167 6.6 提供额外的编译器标志 168 6.7 使用ATLAS支持构建 168 7. 使用NUMPY的C-API 168 7.1 如何扩展NUMPY 168 7.1.1 编写扩展模板 169 7.1.2 必需的子程序 169 7.1.3 定义函数 171 7.1.4 处理数组对象 175 7.1.5 示例 180 7.2 使用PYTHON作为胶水 182 7.2.1 从Python调用其他编译库 183 7.2.2 手工生成的包装器 183 7.2.3 f2py 184 7.2.4 用Cython 191 7.2.5 ctypes 196 7.2.6 您可能会觉得有用的其他工具 206 7.3 编写自己的UFUNC 208 7.3.1 创建一个新的ufunc 208 7.3.2 示例非ufunc扩展名 209 7.3.3 一种dtype的NumPy ufunc示例 215 7.3.4 示例具有多个dtypes的NumPy ufunc 221 7.3.5 示例具有多个参数/返回值的NumPy ufunc 230 7.3.6 示例带有结构化数组dtype参数的NumPy ufunc 235 7.4 深入的知识 241 7.4.1 迭代数组中的元素 242 7.4.2 用户定义的数据类型 246 7.4.3 在C中对ndarray进行子类型化 249