numpy 从入门到遗忘
不常用的函数总是遗忘，很是困扰啊。于是痛下时间，做一个系统的总结，纯原创，都是些实际项目中常用的函数和方法，当然还有一些这边也是没有记录的，因为我在实际数据处理过程中也没有遇到过（如字符串处理等等）。
创建基本ndarray类实例：
import numpy as np np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
| 序号 | 参数及描述 |
|---|---|
| 1. | object 任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。 |
| 2. | dtype 数组的所需数据类型，可选。 |
| 3. | copy 可选，默认为true，对象是否被复制。 |
| 4. | order C（按行）、F（按列）或A（任意，默认）。 |
| 5. | 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。 |
| 6. | ndimin 指定返回数组的最小维数。 |
数据类型：
分为三大类：整型，浮点型，python对象。
import numpy as np
np.array("str",dtype=np.unicode) # 举个栗子，字典，集合等等均可
np.array([1,2,3],dtype=np.int32)
np.array([1,2,3],dtype=np.float32)
数组属性：
ndarray.shape
ndarray.reshape(shape) # 等同于np.reshape(a,newshape),且要注意shape中的-1表示根据剩下的维度计算得出。
ndarray.ndim # 返回数组维度
创建例程：
np.zeros(shape,dtype=float)
np.ones(shape,dtype=None)
np.arange(start,stop,step,dtype) # 注意点stop值取不到
numpy.linspace(start, stop, num, endpoint=True, retstep, dtype) # endpoint为True 则包含stop值
numpy.logspace(start, stop, num, endpoint, base, dtype)
切片和索引：
解释起来比较复杂，最常用的操作之一，划重点，涵盖的信息量很大。
a = np.zeros((2,3))
# 简单索引
a[:,:]
a[1:,:2]
# 整数索引
a[[0,1],:]
a[:,[0,1,2]]
# 布尔索引 # 自己的理解，矩阵相乘，非点积
a = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print(a>5)
print(a[a>5])
>>>[[False False False]
[False False False]
[ True True True]
[ True True True]]
>>>[ 6 7 8 9 10 11]
数组操作：
np.reshape(a,newshape)
np.linalg.inv() # 矩阵的逆
ndarray.T
np.expand_dims(a, axis) # 增加维度，其实我觉得reshape完全够用
### 数组连接
np.concatenate((a1, a2, ...), axis=0, out=None) # 沿着现存的轴连接数据序列
np.stack(arrays, axis=0, out=None) # 沿着新轴连接数组序列
np.hstack(tup) # 水平堆叠序列中的数组
np.vstack(tup) # 竖直堆叠序列中的数组
### 添加/删除数组
np.append(arr, values, axis=None)
np.insert(arr, obj, values, axis=None)
np.delete(arr, obj, axis=None) # 删除指定索引元素
算术运算：
np.power() # np.power(a,2)
np.sqrt()
np.abs()
np.add()
np.subtract()
np.divide()
np.multiply()
# 矩阵运算
np.dot() # 线代的点积。如果输入都为1D，计算内积。如果输入多维，那么必须满足矩阵乘积维数要求
np.matmul() # 好像和np.dot()一样
统计运算：
np.mean()
np.sum()
np.std() # 标准差
np.var() # 方差
np.round(a, decimals=0, out=None) # 保留几位小数
np.max() np.min() np.sort()
np.argmax() np.argmin() np.argsort()
