一. Numpy的主要功能
- 数组的算数和逻辑运算。
- 傅立叶变换和用于图形操作的例程。
- 线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。
二. Numpy的基本数据结构
Numpy提供的核心功能是数组，所以它的最基本的数据结构就是多维数组结构Ndarray。Ndarray无论是运算速度，还是功能函数都比list结构要更好。该结构的特点如下：
- 数组中所有的元素类型相同。
- 每个元素在内存中的块大小相同。
- 数组的维度信息存放在shape属性，类型信息存放在dtype属性。
三. Ndarray结构的基本使用
1. 创建Ndarray
- 直接使用np.array()创建
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
object参数，接受一切序列型的对象，用于创建数组。
dtype参数，为数组指定一个类型
order参数，（C语言风格）按行显示数组='C'; 或者（Fortran语言风格）按列显示数组='F'
ndmin参数，指定数组的最小维度
# 最小维度
import numpy as np
a = np.array([1, 2, 3, 4, 5], ndmin = 2, dtype=np.float) #本来是一维数组，强行控制它为二维数组
print (a)
Out:
[[1.0, 2.0, 3.0, 4.0, 5.0]]
- 固定填充元素创建
创建空数组：numpy.empty (shape, dtype = float, order = 'C')
创建全0数组：numpy.zeros (shape, dtype = float, order = 'C')
创建全1数组：numpy.ones (shape, dtype = None, order = 'C')
shape参数，整数表示一维数组的长度，元组表示多维数组的形状。
从已有数据中创建
从其他序列创建numpy.asarray(object, dtype = None, order = None)
该函数类似于np.array(),主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。
从迭代器创建numpy.fromiter(iterable, dtype, count = -1)
count参数，读取的数据量，-1表示所有数据给定范围生成数组
-
按步长
numpy.arange(start, stop, step, dtype)
-
按间隔数量
numpy.linspace(start, stop, num, endpoint, retstep, dtype)
2. Ndarray的常用属性
- ndarray.shape 数组维度
- ndarray.dtype 数组类型
- ndarray.ndim 数组最小维度
- ndarray.itemsize 数组每个元素的字节长度
3. Ndarray的切片与索引
- 下标索引：同Python，下标从0开始。
- 切片：与Python相同，Ndarray的切片依旧使用
[开始下标：终止下标（不包含）：步长]的格式。
可以使用省略号...，表示某个维度的所有元素
arr=np.asarray([[1,2,3,4],[5,6,7,8]])
print(arr)
print(arr[...,1])# 打印第2列所有元素
Out:
[[1 2 3 4]
[5 6 7 8]]
[2 6]
注意：Numpy切片与Python序列切片最大的不同在于，ndarray切片返回值是原数组的视图，修改切片会影响原数组；而Python序列的切片返回值是副本，与原序列没关系。如果需要ndarray的切片副本，需要显示复制a=arr[2:5].copy()
4. Ndarray的高级索引
- 整数索引
以前访问多维数组的时候，我们使用多个中括号来表达不同的轴，比如下图。这种方式一次只能访问一个元素。
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print (arr)
print(arr[1][0])
Out:
[[2 3 4]
[6 7 8]
[1 1 1]]
6
如果我们使用的中括号的数量小于数组的维度，那么更高级的轴将被全选，比如下图。
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print (arr)
print(arr[1])
out:
[[2 3 4]
[6 7 8]
[1 1 1]]
[6 7 8]
但是对于更高级的轴，我们不想全选，只想选取若干个怎么办？这时Ndarray的特点就显现了。他可以对每个轴都进行选择，用逗号隔开每个轴之间的下标，按顺序构成坐标对，举个例子，下图中，第一个中括号表示对第一个轴的选取，第二个中括号是对第二个轴的选取，两个轴按顺序构成坐标对（0,1），（1,2），得到这2个位置的数据
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print (arr)
print(arr[ [0,1],[1,2] ])
Out:
[[2 3 4]
[6 7 8]
[1 1 1]]
[3 8]
上面是按照坐标对来选择的，如果想选择某块数据怎么办？我们可以按轴切片，轴切片之间用逗号隔开，举个例子。
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print (arr)
print(arr[:2,1:])
Out:
[[2 3 4]
[6 7 8]
[1 1 1]]
[[3 4]
[7 8]]
敲黑板，总结 一下整数索引：
- 老旧方法：1. 使用与维度数目一样的中括号来访问单个元素；2. 使用少于维度数目的中括号访问一片高维度数据。
- Ndarray独有方法：在中括号内对所有轴做选择，不同轴用逗号隔开
arr[轴1，轴2，轴3]，枚举下标要用中括号包裹起来，切片不用包裹，二者可以混用。举个栗子：
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print (arr)
print(arr[ [0,1],1: ])
Out:
[[2 3 4]
[6 7 8]
[1 1 1]]
[[3 4]
[7 8]]
- 布尔索引
之前我们在某个维度选取元素的时候，使用的都是整数下标，其实可以不用下标的，而是用布尔数组，但是要求布尔数组和这个维度的长度一致。举个例子，假设我们要选择第二行所有数据：
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print (arr)
print(arr[ [False,True,False] ])
Out:
[[2 3 4]
[6 7 8]
[1 1 1]]
[[6 7 8]]
或者选择第二行，第二列和第三列的数据。方法和整数索引一样，不同的是，这次用布尔数组。
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print (arr)
print(arr[[False,True,False],[False,True,True]])
Out:
[[2 3 4]
[6 7 8]
[1 1 1]]
[7 8]
其实Ndarray做逻辑运算的时候，会返回一个布尔数组，我们可以利用这一点，直接进行数据选择：
arr=np.array([[2,3,4],[6,7,8],[1,1,1]])
print(arr)
print (arr>2)
print(arr[arr>2])
Out:
[[2 3 4]
[6 7 8]
[1 1 1]]
[[False True True]
[ True True True]
[False False False]]
[3 4 6 7 8]
最后强调一点，布尔数组必须和筛选维度的长度一致！！！！
