10.1 Numpy 库
Numpy 库是高性能科学计算和数据分析的基础包，不是Python 的标准库，是时thon 的第三方库。为了更好地讲解，在这里使用JoinQuant(聚宽)量化交易平台免费提供基于IPython Notebook 的研究平台。
10.1.1 ndarray 数组基础
Pyhton 中用列表保存一组值，可将列表当作数组使用。此外， Python有array 模块，但它不支持多维数组，无论是列表还是array 模块都没有科学运算函数，不适合做矩阵等科学计算。因此， Numpy 没有使用Python本身的数组机制，而是提供了ndarray 数组对象，该对象能不断方便地存取数组，而且拥有丰富的数组计算函数，比如向量的加法、减法、乘法等。
使用ndarray 数组，首先需要导入Numpy 函数库。可以直接导入Numpy 函数库，也可以在导入Numpy 函数库时指定导入库的别名，代码如下:
1. 创建Numpy 数组
创建Numpy 数组是进行数组计算的先决条件，可以通过array( )函数定义数组实例对象，其参数为Python 的序列对象(比如列表。)如果想定义多维数组，则传递多层嵌套的序列，代码如下:
成功登录JoinQuant (聚宽)量化交易平台后，单击菜单栏中的"我的策略/投资研究"命令，打开投资研究页面，如图10.1 所示。
单击投资研究页面中的"新建"按钮，弹出下一级子菜单，单击"Python3"，就可以新建一个Python3 文件，如图10.2 所示。
在单元格中输入代码如下:
单击工具栏中的
运行按钮，就会显示Numpy 数组内容，并在下方插入一个新的单元格，如图10.3 所示。
创建Numpy 数组，就可以查看Numpy 数组的各种属性，如行数、维数、数据类型等，具体代码如下:
print("Numpy 数组的行数: ", Numpyl.ndim)
print ("Numpy 数组的维数"， Numpyl.shape)
print ("Numpy 数组的元素类型: ", Numpyl.dtype)
单击工具栏中的
运行按钮，运行结果如图10.4 所示。
创建Numpy 数组，就可以查看Numpy 数组的各种属性，如行数、维数、数据类型等，具体代码如下:
print("Numpy 数组的行数 ", Numpyl.ndim)
print ("Numpy 数组的维数"， Numpyl.shape)
print ("Numpy 数组的元素类型: ", Numpyl.dtype)
单击工具栏中
运行按钮，运行结果如图10.4 所示。
2. Numpy 特殊数组
在Numpy 数组中，有3 种特殊数组，分别是zeros 数组、ones 数组、empty 数组。
zeros 数组是指全零的数组，即数组中所有元素都为0。
ones 数组是指全1 的数组，即数组中所有元素都为1 。
empty 数组是空数组，即数组中所有元素全近似为0 。
下面来讲解特殊Numpy 数组并显示。创建一个Python3 文件，然后输入代码如下:
3. Numpy 序列数组
arange 函数与Python 中arange 函数相似，但它属于Numpy 库，其参数依次为:开始值、结束值、步长。
还可以使用linspace 函数创建等差序列数组，其参数依次为: 开始值、结束值、元素数量。
创建一个Python3 文件，然后输入代码如下:
lmport numpy as np
4. Numpy 数组索引
Numpy 数组的每个元素、每行元素、每列元素都可以用索引访问，不过注意: 索引是从0 开始的，其操作与列表基本相同。
创建一个Python3 文件，然后输入代码如下:
5. Numpy 数组运算
Numpy 数组运算是指Numpy 数组中元素的加、减、乘、除、乘方、最大值、最小值等运算。
创建一个Python3 文件，然后输入代码如下:
6. Numpy 数组复制
Numpy 数组复制分两种，分别是浅复制和深复制。
出复制通过数组变量的复制完成，只复制数组的引用，这样对浅复制数
组中的元素进行修改时，原数组中对应的元素也会被修改。
深复制使用数组对象的copy 方法完成， 是对存储内存进行复制。这样对深复制数组中的元素进行修改时，原数组中对应的元素不会改变。
创建一个Python3 文件，然后输入代码如下:
10.1.2 矩阵
矩阵( Matrix) 是一个按照长方阵列排列的复数或实数集合，是高等数学中的常见工真，也常见于统计分析等应用数学学科中。
Numpy 的矩阵对象与数组对象相似，主要不同之处在于，矩阵对象的计算遵循矩阵数学运算规律，即矩阵的乘、转置、求逆等。需要注意的是，矩阵使用matrix 函数创建。
创建一个Python3 文件，然后输入代码如下:
