调包侠在深度学习时代没有未来？( 二 )

本文插图
而或许可能是这个骷髅之脸的样子？

本文插图
当时收集到的引力波数据很难使用任何技术来计算，而NumPy却作为LIGO GW检测项目期间执行的各种任务的软件成功派上了用场，它帮助高速解决了复杂的数学和数据处理问题。这里有些例子：

信号处理：毛刺数据检测，噪声识别和数据表征（NumPy ， scikit-learn ， scipy ， matplotlib ， pandas ， pyCharm）
数据检索：确定可以分析哪些数据，弄清楚它是否包含信号-大海捞针
统计分析：估计观测数据的统计显着性，并通过与模型比较来估计信号参数（例如，恒星质量，自旋速度和距离）。
数据可视化

其中无论是用于黑洞成像还是引力波，都利用了Numpy三项的关键功能：

本文插图
NumPy用于数据可视化：
NumPy是迅速发展的Python可视化领域的重要组成部分，其中包括 Matplotlib ，Seaborn ，Plotly ，Altair ，Bokeh ，Holoviz ，Vispy和 Napari等。
NumPy对大型数组的加速处理使研究人员可以可视化远超过本机Python可以处理的数据集。
以下是一些NumPy数据可视化的样例：

本文插图

本文插图
3. NumPy详细介绍
数组编程为访问、操作和计算向量、矩阵和高维数组中的数据提供了一种强大、紧凑且表达力强悍的语法,NumPy是Python语言的主要数组编程库。
NumPy是构建科学Python生态系统的基础。它的应用十分普遍，由于它在生态系统中居于核心地位， NumPy越来越多地充当这些数组计算库之间的互操作层，并与其API一起提供了一个灵活的框架来支持下一个十年的科学和工业分析。
NumPy 数组
Numpy 是 Python 数据科学计算的核心库，提供了高性能的多维数组对象及处理数组的工具。

本文插图
（图源：DataCamp）
NumPy 数组包括多种基础数组概念，在数组维度上的变化操作十分灵活：

本文插图
NumPy是Python 生态系统的基础
它与SciPy 和 Matplotlib 紧密相关。 SciPy 为科学计算提供了基础算法， Matplotlib 则用作可视化。 NumPy、SciPy 和 Matplotlib 的结合，再加上 IPython、Jupyter 这类高级交互环境，为 Python 中的数组编程提供了夯实的基础。
下图是Python系统的生态树，可以看出NumPy处于底层支持位置。

本文插图
而如下图所示， NumPy 的 API 和数组协议向生态系统提供了新的数组：

本文插图
现在，这些数组协议是 NumPy 的主要特征，它们的重要性预计也会越来越大。 NumPy 开发者（本篇论文作者）迭代地改善和设计协议，以改进生态的实用性和简化应用方式。
4. NumPy过去、现在和未来
过去
NumPy最初是由学生、教师和研究人员开发的，目的是为Python提供一个高级的、开源的数组编程库，它可以免费使用，不受许可服务器和软件保护软件狗的阻碍。