python Numpy
Numpy入门
1.什么是numpy
NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础
功能：
- ndarray 一个强大的N维数组对象
- 复杂（广播）功能
- 用于集成C / C ++和Fortran代码的工具
- 有用的线性代数，傅里叶变换和随机数能力
安装使用方法：
pip install numpy import numpy as np
备注：
在使用numpy进行科学计算时，可以安装scipy堆栈，例如Anaconda 具体安装的模块标准参考这里
2.numpy基础
numpy的主要对象是均匀的多维数组，数组内的各个元素类型相同。多维数组的类型为numpy.ndarray
先来介绍下ndarray对象都有哪些属性：
- ndarray.ndim : 数组的轴数（维数）。在Python世界中，维度的数量被称为等级。
- ndarray.shape : 阵列的尺寸。这是一个整数元组，指示每个维度中数组的大小。对于具有n行和m列的矩阵，shape将是(n,m)。shape因此，元组的长度 是等级或维数 ndim。
- ndarray.size ： 数组的元素总数。这等于元素的乘积shape。
- ndarray.dtype : 描述数组中元素类型的对象。可以使用标准Python类型创建或指定dtype。另外NumPy提供自己的类型。例如：numpy.int32，numpy.int16和numpy.float64。
- ndarray.itemsize : 数组的每个元素的大小（以字节为单位）。例如，类型的元素数组float64具有itemsize8（= 64/8），而其中一个元素complex32具有itemsize4（= 32/8）。相当于ndarray.dtype.itemsize。
- ndarray.data : 该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引设施访问数组中的元素。
数组几种创建方法：
1.使用array函数从常规python列表或元祖创建数组，结果数组的类型从序列中的元素类型推导出来
>>>a = np.array([1,2,3,4,5])
>>>a.dtype
dtype('int32')
>>>a = np.array([1.0,2.0,3.0,4.0,5.0])
>>>a.dtype
dtype('float64')
# 创建一个二维数组 b = np.array([[1.4,2.,3.],[5.,6.,7.]]) # 创建时也可以指定数组类型（复数类型） b = np.array([[1,2],[3,4]],dtype=complex)
通常，数组的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组。这些最小化生长阵列的必要性，这是昂贵的操作。
该函数zeros创建一个充满零的数组，该函数 ones创建一个包含一个数组的数组，该函数empty 创建一个数组，其初始内容是随机的，并且取决于内存的状态。默认情况下，创建的数组的dtype为 float64。
为了创建数字序列，NumPy提供了类似于range的函数返回数组而不是列表。
>>>np.arange(10,20,2) array([10, 12, 14, 16, 18]) >>>np.arange(10,20,2.5) # 三个参数分别为起始，结束，步长，这里步长可以接受float参数 array([ 10. , 12.5, 15. , 17.5])
当arange与浮点参数一起使用时，由于有限的浮点精度，通常不可能预测获得的元素的数量。因此，通常最好使用linspace接收作为参数的函数的函数，而不是步长：
>>>np.linspace(0,2,9) array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ]) >>>from numpy import pi >>> x = np.linspace(0,2*pi,100)
也可以看看 :
array， zeros， zeros_like， ones， ones_like， empty， empty_like， arange， linspace， numpy.random.rand， numpy.random.randn， fromfunction，fromfile
打印数组：
数据的打印会以很友好的方式显示出来，但在这里说明一点，如果数组太大而无法打印，numpy会自动跳过阵列的中央部分，可以更改打印选项来进行设置
np.set_printoptions(threshold=nan) # 打印全部 默认为1000 np.set_printoptions(precision=3) # 设置精度
基本操作：
>>> a = np.array( [20,30,40,50] ) >>> b = np.arange( 4 ) >>> b array([0, 1, 2, 3]) >>> c = a-b >>> c array([20, 29, 38, 47]) >>> b**2 array([0, 1, 4, 9]) >>> 10*np.sin(a) array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854]) >>> a<35 array([ True, True, False, False], dtype=bool)
与许多矩阵语言不同，*在NumPy数组中运行元素。可以使用该dot功能或方法按照矩阵乘法的规则来运算的：
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A*B # elementwise product
array([[2, 0],
[0, 4]])
>>> A.dot(B) # matrix product
array([[5, 4],
[3, 4]])
>>> np.dot(A, B) # another matrix product
array([[5, 4],
[3, 4]])
https://docs.scipy.org/doc/numpy/user/quickstart.html#quickstart-shape-manipulation
待续：
待续：
待续：
待续：
