Numpy 全名 Numerical Python
常见的标准引用 import numpy as np
ndarray: N维数组对象，其所有元素必须是相同类型，，其中含有两种重要类型:
data1 = [6,7.5,8,0,1] # 浮点和整数算同一类型
arr1 = np.array(data1)
(1) shape：各维度大小的元组
(2)dtype:数组类型的对象
import numpy as np
data1 = [6,7.5,8,0,1]# 浮点和整数算同一类型
arr1 = np.array(data1)
arr1.ndim
arr1.shape #(5,) 一维则数组长度
arr1.dtype # dtype('float64') 因为有7.5浮点数，则整个数组扩充为浮点型
data2 = [[1,2,3,4],[5,6,7,8]]#支持嵌套序列
arr2 = np.array(data2)
arr2.ndim
arr2.shape# (2, 4) 第一表示行，第二表示列
arr2.dtype#dtype('int32') 全部为整型，则dtype为整型
np.zeros(10) #长度为10，值全为0的数组
np.zeros((3,6)) #3行6列 ，值全为0的数组
np.ones(10) #长度为10，值全为1的数组
np.ones((3,6)) #3行6列 ，值全为1的数组
np.empty((2,3,4)) #2组 3行 4列 的数组，由于未初始化，里面为乱值
np.arange(15) #从0到14累加的15个值
np.eye(3) #创建正方N X N的单位矩阵(对角线为1外，其余为0)
arr1 = np.array([1,2,3],dtype=np.float64) #float双精度浮点类型，8字节
arr1.dtype
arr2 = np.array([1,2,3],dtype=np.int32) #int类型，4字节
arr2.dtype
#支持类型转化,32位整形转64位浮点型
arr = np.array([1,2,3,4,5])
arr.dtype
float_arr = arr.astype(np.float64)
float_arr.dtype
#如果从浮点型转整型，那么就自动去掉小数点后面的值，保留整数，不做四舍五入操作
arr = np.array([3.7,-1.2,-2.6,0.5,12.9,10.1])
arr
arr.astype(np.int32)
#字符串数组如果全为数字，可以转成数值
numeric_strings = np.array(['1.25','-9.6','42'],dtype=np.string_)
numeric_strings.astype(float)
#转化成其他数组的dtype
int_array = np.arange(10)
calibers = np.array([.22,.270,.357,.380,.44,.50],dtype=np.float64)
int_array.astype(calibers.dtype)
#支持简写类型
empty_uint32 = np.empty(8,dtype='u4')
#长度相等的数组之间任何算术运算都会将运算应用到元素级
arr = np.array([[1,2,3],[4,5,6]])
arr * arr
#数组切片是原始数组的视图，也就是针对视图的任何修改都直接反映到源数据组上
arr = np.arange(10)
arr
arr[5]
arr[5:8]
arr[5:8] = 12 #注意自动传播，会将12自动替换掉索引5到8
arr
arr_slice = arr[5:8]
arr_slice[1] = 12345 # arr_slice中索引1对应arr中索引6
arr
arr_slice[:] = 64 # arr_slice中索引0，1，2，对应arr中索引6,7,8全部设置为64
arr
#如果要得到副本，而不是视图，从而保证修改不影响源数组
arr_copy = arr[5:8].copy()
arr_copy[:] = 0
arr_copy
arr
#在二维数组中，数组索引则是一维数组
arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr2d[2]
#获取指定的元素
arr2d[0][2]
arr2d[0,2]
#三维数组的处理,除了copy函数返回的值外，其他都返回视图
arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
arr3d[0]# 这是二维数组 2X3数组
old_values = arr3d[0].copy()
arr3d[0] = 42
arr3d
arr3d[0] = old_values
arr3d
arr3d[1,0]
#切片索引
arr[1:6]
arr2d
arr2d[:2]
arr2d[:2,1:]
arr2d[1,:2]
arr2d[2,:1]
arr2d[:,:1]
arr2d[:2,1:] = 0
#关于布尔型索引
names = np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])
names
data = np.random.randn(7,4)
data
#数组的比较运算矢量化
names == 'Bob' #names中有'Bob'返回True,没有的返回False
#names中有'Bob'返回True为索引0，3，对应data返回索引1即第1行,索引3即第4行
#注意:names中元素要和data的行数一致
data[names == 'Bob']
data[names == 'Bob',2:]
#如何取"Bob"以外的值
names != 'Bob'
data[-(names=='Bob')]
#选取三个名字中的两个进行组合,这返回的是副本而不是视图
mask = (names == 'Bob') |(names == 'Will')
mask
data[mask]
#布尔型数组比较大小时是对数组内所有数值进行操作
data[data <0] = 0 #data中所有小于0的值都置为0
data[names != 'Joe'] = 7# 即把data中1，3，4，5行的数据全部设置成7
