簡介
NumPy是Python中非常優秀的一個數據科學工具包，使用Python做資料分析的童鞋幾乎是必備的工具。NumPy的提供了非常豐富的計算能力，但是底層是C語言實現的，因此既有Python語法的低門檻，速度上卻依然非常好。NumPy本身也和Pandas、SciPy一起成為一種生態了。
今天，NumPy釋出了1.20.0最新版本，這個版本的改動很大。值得童鞋們關注~
這個版本支援Python3.7-3.9（注意，3.6已經被拋棄了哦）。由184位貢獻者實現了684個PRs。主要的變化如下：
NumPy函式的註釋。這項工作還在進行中，預計會在使用者反饋的基礎上進行改進。更廣泛地使用SIMD來提高ufuncs的執行速度。在引入通用函式方面已經做了很多工作，這些通用函式將方便在不同硬體平臺上使用新功能。這項工作還在進行中。對dtype和casting實現的改造，以便為擴充套件dtypes提供一個更容易的途徑。這項工作還在進行中，但已經做了足夠的實驗和反饋。廣泛的文件改進，包括大約 185 個 PR 合併。這項工作正在進行中，是改進對新使用者有用性的大專案的一部分。進一步清理與移除 Python 2.7 有關的內容。這提高了程式碼的可讀性，並消除了一些技術債務。對即將到來的 Cython 3.0 的初步支援。接下來，我們看看其中比較重要的一些內容
一、NumPy1.20.0的新函式1.1、陣列新的“洗牌”方法首先我們看一下隨機生成器裡面新增的一個方法，即permuted方法。終於新增了一個這樣實用的按維度隨機重排陣列的方法了。
在此之前已經有shuffle和permutation了，這兩個方法是對陣列進行進行隨機重排列的方法，區別在於一個是陣列本身重排列，另一個是重排列結果返回一個副本。但是這兩個隨機重排列的方法都只能針對陣列中的某一個維度，也就是說只能隨機重排某一個維度下的陣列。對於多維資料，如二維資料為例，它只能讓所有的行或者列都按一種方式重排。
如下的例子：
>>> rg = np.random.default_rng()>>> x = np.arange(0, 15).reshape(3, 5)>>> xarray([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])>>> rg.permutation(x, axis=1)array([[ 1, 3, 2, 0, 4], # random [ 6, 8, 7, 5, 9], [11, 13, 12, 10, 14]])可以看到，這種重排方式就是第0列變成了第3列，第2列變成了第0列，等等。
而新增的permuted方法則可以每一個維度獨立重排。
>>> rg.permuted(x, axis=1)array([[ 1, 0, 2, 4, 3], # random [ 5, 7, 6, 9, 8], [10, 14, 12, 13, 11]])可以看到，每一行都是相互獨立的隨機重排了。
1.2、新增滑動視窗檢視方法在一些與時間有關的問題中，滑動視窗是一個非常重要的工具，比如從某一個時刻開始，一次按照多少步長滑動，到下一個時刻的資料中。新增的numpy.lib.stride_tricks.sliding_window_view 方法可以讓我們按照這種方式去檢視資料。此前，NumPy並沒有提供這樣的方法供我們使用，其它方法也都效率不太好。
當然這個問題本身就很麻煩，畢竟如果一個很大的序列，用一個視窗去滑動效率就不高，尤其是序列很長，視窗很小的時候，目前NumPy提供的這個方法算是一個比較高效的解決方案了。
示例如下：
>>> x = np.arange(6)>>> x.shape(6,)>>> v = sliding_window_view(x, 3)>>> v.shape(4, 3)>>> varray([[0, 1, 2], [1, 2, 3], [2, 3, 4], [3, 4, 5]])更多細節，就等童鞋們自己挖掘了。
1.3、新增broadcasting使用者介面broadcasting是陣列計算中很重要的概念，在深度學習以及各種計算框架下，都使用了這樣一個概念。它告訴我們如何處理不同形狀之間陣列的計算，一般來說，是較小的陣列被broadcast較大的陣列中計算。但是對於使用者來說很多時候也許不太容易理解，這次新增的numpy.broadcast_shapes方法可以直接讓我們看到不同形狀的計算結果如何。
如下：
>>> np.broadcast_shapes((1, 2), (3, 1))(3, 2)>>> np.broadcast_shapes(2, (3, 1))(3, 2)>>> np.broadcast_shapes((6, 7), (5, 6, 1), (7,), (5, 1, 7))(5, 6, 7)這可以幫助我們在構造計算時候更加清楚自己在做什麼，真的是新手的福音啊。哈哈。
二、廢棄的內容這次新版本廢棄的東西還是需要大家注意的。對於之前編碼不太規範的童鞋來說，如果更新了，很多程式碼可能就有問題了。
2.1、廢棄np.int首先是np.int被廢棄，這個是幾乎等同於Python內建的int方法。但是對於新手來說很容易困惑，類似這樣的方法還有np.float等。這次徹底廢棄了，讓大家不再困惑。
2.2、shape=None與shape=()開始不同其次是方法中如果傳遞了shape=None的引數要注意，之前這個引數與shape=()是同等含義的。但是最新的方法中這兩者已經有區別了。如果之前有混用要注意。
2.3、超出索引值報錯此外，如果索引為空的情況會被報錯，之前超出索引的情況返回了0，未來會報錯了。如下情況會報錯，目前會告警大家，需要注意。
arr1 = np.zeros((5, 0))arr1[[20]]arr2 = np.zeros((5, 5))arr2[[20], :0]之前對於一些錯誤的引數，NumPy自動更正，以後會報錯了。如下：
import numpy as nparr = np.array([[3, 6, 6], [4, 5, 1]])# mode: inexact matchnp.ravel_multi_index(arr, (7, 6), mode="clap") # should be "clip"# searchside: inexact matchnp.searchsorted(arr[0], 4, side='random') # should be "right"