「最全」实至名归，NumPy 官方早有中文教程，结合深度学习，还有防脱发指南

（给Python开发者加星标，提升Python技能）

机器之心报道，参与：一鸣、Jami

NumPy 无疑是很多机器学习研究者和开发者的「白月光」。如此优秀的项目，没有中文版怎么行？近日，机器之心发现 NumPy 官方早在去年就已出了一个中文版网站，涵盖 NumPy 的一切。

在 Github 上一度蝉联最流行的机器学习和数据科学包 NumPy，已经有了非常之系统的中文文档，回想起当初细啃 NumPy 之时，不少人不得不徘徊于各大搜索引擎及平台反复查找，找到的文档也许还很不系统。现在，如果有什么和 NumPy 的问题，只需要浏览这份官方中文文档就足够了。它足够的系统、全面且亲民。亲民到什么程度呢？网站还独一份的配备了「防脱发指南」。

NumPy 是什么？它是大名鼎鼎的，使用 Python 进行科学计算的基础软件包，是 Python 生态系统中数据分析、机器学习、科学计算的主力军，极大简化了向量与矩阵的操作处理。除了计算外，它还包括了：

功能强大的 N 维数组对象。
精密广播功能函数。
集成 C/C+和 Fortran 代码的工具。
强大的线性代数、傅立叶变换和随机数功能

此次中文文档还强调了它两大特性：Ndarray 以及切片和索引，这两部分所涉及的功能在日常操作中是十分常见的。

Ndarray：一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。
切片和索引：ndarray 对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。

官网地址：https://www.NumPy.org.cn

这个官方中文项目内容繁多，文章数量庞大。机器之心在这里节选了一些亮点内容，供读者参考。

教程、文档应有尽有，中文版强调和深度学习联系

从原理开始，中文版增加理论介绍板块

这个开源的官方中文版教程可以说是非常全面了。它从最基本的理解 NumPy 开始，教程层层推进，直到让用户掌握进阶的使用方法。

从内容来看，中文版不仅仅是官方英文版本的翻译，还额外增加了「文章」这一栏目。该栏目提供了对 NumPy 背后的矩阵运算原理的详细解释，使得使用者「知其然，也知其所以然」。这是英文版教程中没有的。

以下为这一部分的目录，从这里可以看到，这部分内容主要介绍 NumPy 的基本理论，以及涉及到其应用的理论部分，如数据分析、神经网络实现，以及在其他代码库中的接口等。

基础篇

理解 NumPy
NumPy 简单入门教程
Python NumPy 教程
创建 NumPy 数组的不同方式
NumPy 中的矩阵和向量

进阶篇

NumPy 数据分析练习
NumPy 神经网络
使用 NumPy 进行数组编程
NumPy 实现k均值聚类算法
NumPy 实现DNC、RNN和LSTM神经网络算法

其他篇

OpenCV中的图像的基本操作
MinPy：MXNet后端的NumPy接口

我们截取了这些文章的部分内容，可以看到，这里不仅仅会讲 NumPy 所实现的功能，还提供了原理的图解。

对于多维数组的直观讲解（部分），可以看出官方提供了很好的理论解释和图示。

注意和深度学习的联系

另一方面，NumPy 中文版教程注意到了深度学习近来的发展趋势，因此推出了结合 NumPy 和百度飞桨框架的深度学习教程。可以说，NumPy 不仅仅只是科学计算工具了，而是深度学习社区的重要组成部分。

如下为这一部分的内容，可以看到，神经网络相关的所有内容，包括原理和相关实现都涵盖到了。在这部分还有一个 7 日的深度学习入门课程，供小白用户参考。

深度学习基础教程

前言
线性回归
数字识别
图像分类
词向量
个性化推荐
情感分析
语义角色标注
机器翻译
生成对抗网络

七日入门深度学习（正在更新）

Day 1：初识深度学习
Day 1：如何快速入门深度学习？
Day 2：图像识别基础与实战
Day 3：目标检测基础与实践（一）
Day 3：目标检测实战-RCNN算法讲解
Day 3：目标检测实战-YOLOv3检测物体

以如下代码为例，这是一个线性回归神经网络构建的代码部分。可以看到，代码使用 NumPy 进行加载和预处理，并使用飞桨构建数据分批等的相关函数。

feature_names = [
    'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX',
    'PTRATIO', 'B', 'LSTAT', 'convert'
]
feature_num = len(feature_names)
data = np.fromfile(filename, sep=' ') # 从文件中读取原始数据
data = data.reshape(data.shape[0] // feature_num, feature_num)
maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/data.shape[0]

for i in six.moves.range(feature_num-1):
   data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # six.moves可以兼容python2和python3

ratio = 0.8 # 训练集和验证集的划分比例
offset = int(data.shape[0]*ratio)
train_data = data[:offset]
test_data = data[offset:]



    

def reader_creator(train_data):  
    def reader():  
        for d in train_data:  
            yield d[:-1], d[-1:]  
    return reader

train_reader = paddle.batch(
    paddle.reader.shuffle(
        reader_creator(train_data), buf_size=500),
        batch_size=BATCH_SIZE)

test_reader = paddle.batch(
    paddle.reader.shuffle(
        reader_creator(test_data), buf_size=500),
        batch_size=BATCH_SIZE)