Anaconda 是一個跨平臺的版本，通過命令列來管理安裝包。進行大規模資料處理、預測分析和科學計算。它包括近 200 個工具包，大資料處理需要用到的常見包有 NumPy 、 SciPy 、 pandas 、 IPython 、 Matplotlib 、 Scikit-learn 、statsmodels、gensim、nltk、networkx、beautifulsoup4和statsmodels 等。
可以直接通過命令進行安裝。如下圖，分別安裝上述相關檔案（示例安裝pandas，其他類似）。
一、NumPy(Numerical Python)
NumPy是 Python 語言的一個擴充套件程式庫，支援大量的維度陣列與矩陣運算，也針對陣列運算提供大量的數學函式庫。NumPy 為開放原始碼並且由許多協作者共同維護開發，是一個執行速度非常快的數學庫，用於陣列計算。
NumPy 通常與 SciPy（Scientific Python）和 Matplotlib（繪相簿）一起使用，可廣泛用於替代 MatLab，是一個強大的科學計算環境，便於後期學習資料科學和者機器學習。 SciPy 是一個開源的 Python 演算法庫和數學工具包， 包含的模組有最優化、線性代數、積分、插值、特殊函式、快速傅立葉變換、訊號處理和影像處理、常微分方程求解和其他科學與工程中常用的計算。
Matplotlib 是 Python 程式語言及其數值數學擴充套件包 NumPy 的視覺化操作介面，是為利用通用的圖形使用者介面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 嚮應用程式嵌入式繪圖提供了應用程式介面（API），前期在資料視覺化中做作過簡單的介紹。
1、numpy中的陣列操作及程式碼
NumPy中的ndarray是一個多維陣列物件，該物件由兩部分組成：實際的資料和描述這些資料的後設資料，大部分的陣列操作僅僅修改後設資料部分。
import numpy as np #匯入numpy包，並另命令為np a = np.arange(5) # 呼叫numpy中的函式arange,函式建立陣列 print(a.dtype) # 列印出陣列a的資料型別 print(a.shape) #陣列的 shape 屬性返回一個元組（tuple）,元組中的元素即為NumPy陣列每一個維度上的大小 print('\n') #建立多維陣列 m = np.array([np.arange(5), np.arange(5)]) #列表作為引數傳給array函式，從而建立了一個5×2的陣列 print(m) #選取陣列元素 print(m[0,0]) print(m[0,1]) print(m[1,1]) print(m[1,2]) print(m[1,3]) # NumPy 自定義的異構資料型別，該資料型別包括一個用字串記錄的名字、一個用 # 整數記錄的數字以及一個用浮點數記錄的價格 t = np.dtype([('name', np.str_, 40), ('numitems', np.int32), ('price',np.float32)]) print(t) # 一維陣列的索引和切片 a = np.arange(9) print(a[3:7]) print('\n') #多維陣列的切片和索引 b = np.arange(24).reshape(2,3,4) #reshape函式的作用是改變陣列的“形狀”,也就是改變陣列的維度 #其引數為一個正整數元組，分別指定陣列在每個維度上的大小 print(b.shape) print('\n') print(b) print('\n') print(b[0]) print('\n') print(b[:,0,0]) #下標用英文標點的冒號:來代替,表示不限該位置的引數,即列印出b的第1行，第1列的所有元組的資料。
執行結果如下：
至於具體更詳細的用法，可以多試試。
二、numpy改變陣列的維度
上述的reshape函式可以將一維陣列[0,1,2,...,23]轉變為具有2個元素，每個元素是一個二維陣列的三維陣列，同樣，也可以將多維陣列轉變為一維陣列（將陣列展平）。
可以用 ravel 等函式完成相關操作，見如下程式碼：
import numpy as np #匯入numpy包，並另命令為np c = np.array([ #先定義一個numpy的多維陣列 [[0,1,2,3],[4,5,6,7],[8,9,10,11]], [[12,13, 14,15],[16,17,18,19],[20,21,22,23]] ]) e=d=c print (c.ravel()) print('\n') print(c.flatten()) print('\n') #用元組設定維度 d.shape = (6,4) print(d) print('\n') # transpose用於轉置，即行列互換，即線性代數中的轉置矩陣 print(e.transpose())
執行結果：
三、陣列的組合
NumPy陣列有水平組合、垂直組合和深度組合等多種組合方式，使用 vstack 、dstack 、 hstack 、 column_stack 、 row_stack 以及 concatenate 等函式來完成陣列的組合。
import numpy as np #匯入numpy包，並另命令為np a = np.arange(9).reshape(3,3)#定義a為3行3列的二維陣列 b=2*a #定義b,且b的每個元素均為a的兩倍。 print(a) #列印出a數列 print('\n') print(b) #列印出b數列
print('\n')
執行結果：
[[0 1 2] [3 4 5] [6 7 8]] [[ 0 2 4] [ 6 8 10] [12 14 16]]
分別看一下組合後的執行結果，程式碼如下：
import numpy as np #匯入numpy包，並另命令為np a = np.arange(9).reshape(3,3) #定義a為3行3列的二維陣列 b=2*a #定義b,且b的每個元素均為a的兩倍,陣列結構與a一致。 #水平組合:將ndarray物件構成的元組作為引數，傳給hstack 函式 print(np.hstack((a, b))) #水平組合 print('\n') print(np.concatenate((a, b), axis=1)) #注意axis引數 print('\n') #垂直組合 print(np.vstack((a, b))) print('\n') print(np.concatenate((a, b), axis=0))#注意axis=0是預設值，即可以不設定。 print('\n')
執行結果如下：
很明顯，上述函式np.hstack((a,b))的結果顯示為將a的行與b的行連成一個更長的行(np.concatenate()函式一樣，只是多了一個引數),相當於增加了陣列的列數。
而np.vstack((a,b)),則是結合成具有更多的行，而列數不變。用二維表示如下：
接下來看一下深度組合、列組合、行組合
import numpy as np #匯入numpy包，並另命令為np a = np.arange(9).reshape(3,3) #定義a為3行3列的二維陣列 b=2*a #定義b,且b的每個元素均為a的兩倍,陣列結構與a一致。 #深度組合 將相同的元組作為引數傳給 dstack print(np.dstack((a, b))) print('\n') #列組合 print(np.column_stack((a, b)))#對於二維陣列,column_stack 與hstack的效果是相同 print('\n') # 行組合 print(np.row_stack((a,b)))#對於二維陣列,column_stack與vstack 的效果是相同
從上可以看出，深度組合，就是將一系列陣列沿著縱軸（深度）方向進行層疊組合，比如這裡只有2個陣列a和b，所以深度只有2，由於a和b都是3*3，就形成如下結果：
二維陣列中，行組合和列組合與水平組合、垂直組合一樣，不作過多介紹。
四、陣列的分割
陣列能組合 ，當然也能分割成多個子陣列。像組合一樣，也可分為水平分割、垂直分割、深度分割。
1、水平分割 和垂直分割
import numpy as np #匯入numpy包，並另命令為np a = np.array([[0, 1, 2],[3, 4, 5],[6, 7, 8]]) #定義一個多維陣列 #水平分割 print(np.hsplit(a,3)) #hsplit把陣列沿著水平方向分割為3個相同大小的子陣列 # 或者 print(np.split(a,3,axis=1)) #同hsplit #垂直分割 print(np.vsplit(a,3)) #vsplit把陣列沿著垂直方向分割為3個相同大小的子陣列 # 或者 print(np.split(a,3,axis=0)) #同vsplit，注意引數
執行結果：
整理後，得到：[array([[0],[3],[6]]), array([[1], [4],[7]]), array([[2],[5],[8]])]也就是將0，3，6歸為一組，注意：都是分別用"[ ]"和","分開的。
2、深度分割
import numpy as np #匯入numpy包，並另命令為np c = np.array(np.arange(27).reshape(3, 3, 3)) #建立一個多維陣列，並設定 print(np.dsplit(c,3))
執行結果如下：
[array([[[ 0],[ 3],[ 6]],[[ 9],[12],[15]],[[18],[21],[24]]]),
array([[[ 1],[ 4],[ 7]],[[10],[13],[16]],[[19],[22],[25]]]),
array([[[ 2],[ 5],[ 8]],[[11],[14],[17]],[[20],[23],[26]]])
]
生成的C陣列為 ：
這三塊資料應該像紙張一樣疊加的，0，3，6的下一層對應的是9，12，15，再下一層是18，21，24。
五、Numpy陣列的其他屬性
在開始的程式碼中有 .dtype和 .shape分別是陣列的兩個不同的屬性，除此之外，還有其他屬性，如下：
import numpy as np #匯入numpy包，並另命令為np a = np.array([[0, 1, 2],[3, 4, 5],[6, 7, 8]]) #定義一個多維陣列 print(a.dtype) #陣列a的資料型別 print(a.shape) #陣列a的維數 print(a.ndim) #給出陣列的維數，或陣列軸的個數 print(a.size) #給出陣列元素的總個數 print(a.itemsize) #元素在記憶體中所佔的位元組數 print(a.nbytes) #元素在記憶體中所佔的儲存空間,itemsize和size屬性值的乘積 #複數的表示 b = np.array([1.j + 1, 2.j + 3]) print(b.real)#列印實數 print(b.imag)#列印虛數部分 c = np.arange(4).reshape(2,2) print(c) f = c.flat #flat屬性,可以像遍歷一維陣列一樣去遍歷任意的多維陣列 for item in f : print(item) #或者獲取多個元素 print( c.flat[[1,3]]) #flat 屬性是一個可賦值的屬性。對flat屬性賦值將導致整個陣列的元素都被覆蓋 c.flat=5 # 對flat屬性賦值將導致整個陣列的元素都被覆蓋 print(c) b = np.array([1.j + 1, 2.j + 3]) # 陣列的轉換 print( b.tolist()) print( b.astype(int)) #astype 函式可以在轉換陣列時指定資料型別int
執行結果如下：
小結：
上述列舉了許多有關NumPy的基礎知識：資料型別和NumPy陣列。類似於Python列表，NumPy陣列也可以方便地進行切片和索引操作。但在多維陣列上，NumPy有明顯的優勢。
對涉及改變陣列維度的操作有很多種——組合、調整、設定維度和分割等，列舉了實用函式進行了說明。