Numpy 基础知识

numpy的主要对象是同质的多维数组。其中的元素通常都是数字，并且是同样的类型，由一个正整数元组进行索引。每个元素在内存中占有同样大小的空间。在Numpy中，维度被称为‘轴’。

例如对于[1, 2, 1]我们说它有一个轴，并且长度为3。而[[ 1., 0., 0.], [ 0., 1., 2.]]则有两个轴，第一个轴的长度为2，第二个轴的长度为3。

numpy数组类的名字叫做ndarray，经常简称为array。要注意将numpy.array与标准Python库中的array.array区分开，后者只处理一维数组，并且功能简单。

np.array的代码定义如下：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

 各参数的含义：

　　object：用于生成数组的数据对象(数组或嵌套的数列)。

　　dtype：数组元素的数据类型，可选。

　　copy：可选，默认为True，对象是否需要复制。

　　order：创建数组的样式,C语言风格（按行）、FORTRAN风格（按列）或A（任意，默认）。

　　subok：默认情况下，返回的数组被强制为基类数组。 如果为True，则返回子类。

　　ndmin：指定返回数组的最小维度。

ndarray具有以下重要属性：

　　ndarray.ndim：数组的轴数量

　　ndarray.shape：数组的形状。这是一个整数元组。比如对于n行m列的矩阵，其shape形状就是(n,m)。而shape元组的长度则恰恰是上面的ndim值，也就是轴数。

　　ndarray.size：数组中所有元素的个数。这恰好等于shape中元素的乘积。

　　ndarray.dtype：数组中元素的数据类型。除了标准的Python类型，Numpy还提供一些自有的类型。

　　ndarray.itemsize：元素的字节大小。比如float64类型的itemsize为8（=64/8），而complex32的itemsize为4（=32/8）。

　　ndarray.data：包含数组实际元素的缓冲区。通常我们不需要使用这个属性，因为我们将使用索引工具访问数组中的元素。

　　ndarray.flags: 数组对象的一些状态指示或标签

1. C_CONTIGUOUS (C)：数组位于单一的、C语言风格的连续区段内
2. F_CONTIGUOUS (F)： 数组位于单一的、Fortran语言风格的连续区段内
3.  OWNDATA (O) ：数组的数据是否从其它对象处借用
4.  WRITEABLE (W) ：数据区域是否可写入。 将它设置为Flase会锁定数组，使其只读。
5.  ALIGNED (A) ：数据元素会适当对齐
6.  UPDATEIFCOPY (U) ：如果数组是另一数组的副本。当这个数组释放时，源数组会由这个数组中的元素更新

在实际使用中，通常使用import numpy as np来导入numpy并简写为np，这是国际惯例，请保持阵型。

>>> import numpy as np  #导入numpy
>>> a = np.arange(15).reshape(3, 5) #创建一个数组并调整为3行5列
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name  # 根据版本和环境不同，可能不同，比如int64
'int32'
>>> a.itemsize
4
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])  # 又一种生成数组的方法
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>