Numpy（numeric python），是 python 的一个开源数值计算库，主要用于
数组和矩阵计算。底层是 c 语言实现，运行效率远高于纯 python 代码。在
python 数据科学领域，numpy 是使用最广泛的工具包之一。
?Numpy 提供了两种基本的对象：ndarray（N-dimensional Array Object） 和 ufunc
（Universal Function Object）
? ndarray 是存储单一数据类型的多维数组，包含 array 及其子类 matrix
? ufunc 则是能够对数组的每一个元素进行处理的函数
?安装：pip install numpy
创建数组对象
Numpy 提供的 array 函数可以创建一维或多维数组，基本使用语法如下：
np.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0)
相关属性
我们也可以通过内置函数来创建数组：
一维
?np.arange(start，end，step)
等差数列，固定步长
?np.linspace(start，end，num=50)
等差数列，固定个数
?np.logspace(start，end，num=50，base=10) 等比数列
?np.diag(array,k=0)
抽取对角线
多维
?np.zeros(shape)
#用零填
?np.zeros_like(a)
#复制a的shape，用零填
?np.ones(shape)
#用1填
?np.ones_like(a)
#复制a的shape，用1填
?np.full(shape, fill_value) #用指定值填
?np.identity(n)
#n行的单位矩阵（对角线为1）
?np.eye(N, M=None, k=0) #类似上面，但可以指定列，k值对对角线平移
我们还可以使用 random 模块创建数组：
?np.random.random()
：无约束条件下生成随机数组
?np.random.rand()
：生成服从均匀分布的随机数组
?np.random.randn()
：生成服从正态分布的随机数组
?np.random.randint(low, high=None, size=None)
：生成指定区间的随机数组
random 模块其他常用函数：
数组数据类型
在 numpy 中，所有数组的数据类型是同质的，即数组中的所有元素类型必须是一
致的。这样做的好处是，更容易确定该数组所需要的存储空间。下面是 numpy 的
基本数据类型及其取值范围
我们知道 python 中 空值记为 None，而在 numpy 中的空值表示为： np.nan ，它是一个特殊的float。
我们也可以自定义数据类型：
?创建一个存储餐饮企业库存信息的数据类型。其中，用一个长度为40个字符的字符串来记录商
品的名称，用一个64位的整数来记录商品的库存数量，最后用一个64位的单精度浮点数来记
录商品的价格，具体步骤如下。
数组的访问
? 通过索引访问
?访问数组的方式 a[m][n]
?访问矩阵的方式 a[m,n]
?通过整数数组
a[[1,3,4]]
?通过布尔数组
a[[True,Flase,True]]
? 通过切片访问
?一维数组切片同 python 序列切片一致，a[start:stop:step]
?多维数组切片，每个维度以逗号隔开，a[start:stop:step, start:stop:step]
或者 a[:][:]
数组变形
? reshape
?a.reshape()，返回一个新的数组，原数组 a 不受影响
? resize
?a.resize()，返回 None，修改的是原数组 a
数组扁平化
? ravel
?a. ravel()，将多维压缩为一维，返回原数组的引用，对新结果修改，a会受影响
? flatten
?a. flatten()，将多维压缩为一维，返回原数组的拷贝，对新结果修改，a不会受影响
二者均可以指定 order 的值为“
F”从列的方向上压扁
数组组合
? hstack
?np.hstack((arr1,arr2))
数组横向组合
?np.c_[arr1,arr2]
? vstack
?np.vstack((arr1,arr2))
数组纵向组合
?np.r_[arr1,arr2]
? concatenate
?np. concatenate((arr1,arr2),axis=1)
数组横向组合
?np. concatenate((arr1,arr2),axis=0)
数组纵向组合
数组分割
? hsplit
?np.hsplit(arr,2)
数组横向分割
? vsplit
?np.vsplit(arr,2)
数组横向分割
? split
?np. split(arr,2,axis=0)
数组纵向分割
?np. split(arr,2,axis=1)
数组横向分割
创建 numpy 矩阵
在NumPy中，矩阵是ndarray的子类，是继承自NumPy数组对象的二维数组对象。与数
学概念中的矩阵一样，NumPy中的矩阵也是二维的。
? 使用mat函数创建矩阵： matr1 = np.mat("1 2 3;4 5 6;7 8 9")
? 使用matrix函数创建矩阵：matr2 = np.matrix([[1,2,3],[4,5,6],[7,8,9]])
区别：使用mat函数创建矩阵时，若输入matrix或ndarray对象，则不会为它们创建副本
很多时候会根据小的矩阵创建大的矩阵：
? 使用bmat函数合成矩阵：np.bmat("arr1 arr2; arr1 arr2"
矩阵的运算
在NumPy中，矩阵计算是针对整个矩阵中的每个元素进行的：
? 矩阵与数相乘：matr1*3
? 矩阵相加减：matr1±matr2
? 矩阵相乘：matr1*matr2
? 矩阵对应元素相乘：np.multiply(matr1,matr2)
? 矩阵特有属性：
矩阵的运算（此处以矩阵乘法和转置为例）
? numpy.linalg 中有一组标准的矩阵分解运算以及诸如求逆和行列式之类的
函数（了解）
通用函数
? ufunc（universal function），全称通用函数，是一种能够对数组中所有
元素进行操作的函数
?四则运算：加（+）、减（-）、乘（*）、除（/）、幂（**）。数组间的四则运算表示
对每个数组中的元素分别进行四则运算，所以形状必须相同。
?比较运算：>、<、==、>=、<=、!=。比较运算返回的结果是一个布尔数组，每个
元素为每个数组对应元素的比较结果。
?逻辑运算：np.any函数表示逻辑“or”，np.all函数表示逻辑“and”。运算结果返回
布尔值。
? 四则运算
? 标量运算，会作用到整个数组上
? 比较运算
广播机制
广播（Broadcasting）是指不同形状的数组之间执行算术运算的方式。当使
用ufunc函数进行数组计算时，ufunc函数会对两个数组的对应元素进行计算。
进行这种计算的前提是两个数组的shape一致。若两个数组的shape不一致，
则NumPy会实行广播机制。
?广播的条件：待扩展的轴的长度为 1 时
?维度扩张和维数扩张：向最大值靠拢
读写文件
读写二进制数据
? save 函数是以二进制的格式保存数据。
np.save("../tmp/save_arr",arr)
? savez 函数可以将多个数组保存到一个文件中。
np.savez('../tmp/savez_arr',arr1,arr2)
? load 函数是从二进制的文件中读取数据。
np.load("../tmp/save_arr.npy")
注意：存储时可以省略扩展名，但读取时不能省略扩展名。
读写文本文件
? savetxt 函数是将数组写到某种分隔符隔开的文本文件中。
np.savetxt("../tmp/arr.txt", arr, fmt="%d", delimiter=",")
? loadtxt 函数执行的是把文件加载到一个二维数组中。
np.loadtxt("../tmp/arr.txt",delimiter=",")
? genfromtxt 函数面向的是结构化数组和缺失数据。
np.genfromtxt("../tmp/arr.txt", delimiter = ",")
排序
? 直接排序
np.sort(arr, axis=-1, kind=None, order=None)
?axis 可指定排序的方向，0 纵向，1 横向
?kind 可指定排序的算法，默认快排
也可使用 arr.sort() 来排序
? 间接排序
np.argsort(arr, axis=-1, kind=None, order=None) 或 arr.argsort()
? 返回值为重新排序值的下标
np.lexsort(keys, axis=-1) ，用法： np.lexsort((a,b,c))
? 按最后传入的数组排序
去重与重复
? 去重
? np.unique(arr）
? 重复
?np.tile(arr,arr)
?arr.repeat(3,axis=1)
tile 和 repeat 区别：tile 是对数组进行重复操作，repeat 是对数组中的每个元素进行
重复操作前者是函数，后者是方法。
常用统计函数
当 axis=0 时，表示沿着纵轴计算。当 axis=1时，表示沿着横轴计算。默认计算一个总值。
常用统计函数
? 案例：随机漫步
在学习完以上内容后还要多加练习！