科学计算库Numpy基础&提升（理解＋重要函数讲解）
Intro
对于同样的数值计算任务，使用numpy比直接编写python代码实现 优点：
- 代码更简洁： numpy直接以数组、矩阵为粒度计算并且支持大量的数学函数，而python需要用for循环从底层实现；
- 性能更高效： numpy的数组存储效率和输入输出计算性能，比python使用list好很多，用numpy进行计算要比原生Python快得多，而且数据量越大，效果越明显；numpy的大部分代码都是c语言实现的，这是numpy比python高效的原因
numpy核心：ndarray对象
ndarray对象
- numpy的核心数据结构，叫做array就是数组，array对象可以是一维数组，也可以是多维数组
- python的list也可以实现相同的功能，但是array的优势在于性能好，包含数组元数据信息、大量的便捷函数
- 成为 Scipy、Pandas、scilit-learn、tensorflow、paddlepaddle等框架的通用底层语言
- numpy的array和python的list的一个区别是它的元素必须都是同一种数据类型，这也是numpy高性能的一个原因
ndarray属性
个人以前会弄混shape和size，注意shape打印的是数组的形状是一个元组，size则是表示数组大小即总共有多少个元素
- shape 返回一个元组 表示array的形状
- ndim 返回一个数字 表示array的维度的数目
- size 返回一个数字 表示array中所有数据元素的数目
- dtype array中元素的数据类型，
a.astype(str)可以把a数组元素转为str类型 - itemsize 表示数组中每个元素的字节大小
创建array的方法
- 从Python的列表list和嵌套列表创建array，
np.array([...]) - 使用函数arange、linspace等创建等差数组，
np.arange(start,stop,step,dtype)左闭右开，np.linspace(start,stop,num,endpoint)默认左右取闭，num是要删除的等间隔样例数量（默认50），endpoint 序列中是否包含stop值， 默认为true - 使用ones、ones_like、zeros、zeros_like、empty、empty_like、full、full_like、eye等函数创建，注意使用empty创建的数据是未初始化的，里面的值可能是随机值不要用，full则是将一个给定大小的数组填满固定值，用法如
np.full((2, 4), 666) - 生成随机数的np.random模块创建，
np.random.seed(2022)设置随机种子，使得每次随机的结果固定，np.random.rand(2,5)随机生成 2行5列的2维数组，返回数据在[0,1)之间；np.random.randint(2,5,5)在[2,5) 范围内生成5个随机整数；np.random.uniform(2,5,10)在 [2,5) 之间 生成均匀分布的10个数字；np.random.uniform(2,5,(2,5))在 [2,5) 之间 生成均匀分布的(2,5)个数字；np.random.randn((2,5))则返回有标准正态分布的数据，均值1方差0；np.random.normal(1,10,(2,5))则可指定均值和标准差；另外，choice从给定的数组里 生成随机结果，shuffle把一个数组进行随机排列（如果数组是多维的 则只会在第一维度打散数据），permutation把一个数组进行随机排列 ，或者数字的全排列，两者功能相同但permutation不会更改原来的arr 会返回一个新的copy
numpy的数组索引
三种索引方法：
- 基础索引，切片法，不详细叙述
- 神奇索引，就是用整数数组进行的索引，比如对于x = np.arange(10)，可以用
x[np.array([[0,2],[1,3]])]来取x对应位置的值；对于二维数组，Y[:,[0, 2]]筛选第0和第2列，Y[[0,2,3],[1,2,3]]同时指定行列 - 布尔索引，对于x = np.arange(10)，可以用x>5返回bool值的数组，
x[x>5] = 1通过条件进行赋值，把x中大于5的值全部赋为1，x[x<5] += 20，小于5的值全部加20，还可以进行条件组合，比如x[(x%2==0)| (x>7)]和x[(x%2==0)& (x>7)]；注意对于二维数组Y = np.arange(20).reshape(4, 5) 来说，既有行又有列 因此返回的是 行列一维数组Y[Y>5]返回的是行列一维数组，可以用Y[:, 3][Y[:, 3]>5]把第3列大于5的行数据筛选出来
numpy数据操作
数组数学操作
A*B是对应位置元素相乘，对于arr = np.arange(12).reshape(3,4)，可以用各种数学统计函数，包括sum，prod（元素乘积），cumsum（np.cumsum(arr)从头到尾累加，每加一次输出一个元素），cumprod（累积），min，max，median，mean，np.percentile(arr,[25,50,75])和np.quantile(arr,[0.25,0.5,0.75])求取数列第?分位的数值（后者范围为0-1），std（标准差）
，var（方差），np.average(arr, weights=np.random.rand(*arr.shape)) 加权平均，argmax 寻找最大值的下标
- 对于numpy的聚合类函数的axis参数解释：axis=0代表行 axis=1 代表列，axis=0 代表把行消解掉，axis=1 代表把列消解掉；axis=0 代表跨行计算， axis=1 代表跨列计算
数组合并操作
对于a = np.arange(9).reshape(3,3)以及b = np.arange(9,18).reshape(3,3)，合并行（行变多）使用np.concatenate([a,b])或np.vstack([a,b])或np.row_stack([a,b]) ，合并列（列变多）使用np.concatenate([a,b],axis=1)或np.hstack([a,b])或np.column_stack([a,b])。
参考
[1-5 Numpy教程 — 梗直哥随笔 v0.1 文档 (gengzhige-essay.readthedocs.io)](https://gengzhige-essay.readthedocs.io/docs/01 环境配置/1-5 Numpy教程.html)
