前言：
关于NumPy
NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩（matrix））
NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。
基础知识：廖雪峰Python教程
参考: The NumPy array object
一、集成NumPy
macos系统下：pip来管理下载，其他请网上搜索
pip3 install numpy
二、编程
推荐两款文本编辑器：
一个是Sublime Text，免费使用，但是不付费会弹出提示框：
sublime
一个是 Notepad++，免费使用，有中文界面：
notepad++
好记性不如实战撸一撸，注释含代码中
import numpy as np
#手动创建数组
# a = np.array([[0,1,2,3],[3,4,5,6]]) # 4 x 2 array
# print(a)
# print(a.ndim)
# print(a.shape)
#函数创建数组
b = np.arange(10)
print(b)
#[0 1 2 3 4 5 6 7 8 9]
#范围内+3
b2 = np.arange(1,9,3)#(strat,end,step)
print(b2)
#[1 4 7]
#范围等分
b3 = np.linspace(0,10,5) #(strat,end,num-point)
print(b3)
#[ 0. 2.5 5. 7.5 10. ]
#初始化为1的矩阵
b4 = np.ones((3,3)) # 1 3x3
print(b4)
# [[ 1. 1. 1.]
# [ 1. 1. 1.]
# [ 1. 1. 1.]]
#初始化为0 的矩阵
b5 = np.zeros((2,2))# 0 2x2
print(b5)
# [[ 0. 0.]
# [ 0. 0.]]
#单位矩阵
b6 = np.eye(3)
print(b6)
# [[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]
#对角线数组
b7 = np.diag(np.array([1,2,3,4]))
print(b7)
# [[1 0 0 0]
# [0 2 0 0]
# [0 0 3 0]
# [0 0 0 4]]
#为空的数组
b8 = np.empty(0)
print(b8)
#[]
#*******数据类型(basic data types)********
c1 = np.array([1,2,3])
print(c1.dtype)# int64
c2 = np.array([1.0,2.,3.])
print(c2.dtype) #flat64
c3 = np.array([1,2,3],dtype = float)
#default float64
ones = np.ones(3)
print(ones.dtype)
# more data type
complex_c = np.array([1+2j,3,4+6*2j])
print(complex_c.dtype)# complex128
bool_c = np.array([True,False])
print(bool_c.dtype)# Bool
string_c = np.array(['beijing','shanghai','shengzhen',])
print(string_c.dtype)#String
#***切片与索引***
d = np.diag(np.arange(3))
print(d)
# [[0 0 0]
# [0 1 0]
# [0 0 2]]
#
print(d[1],d[1,1],d[2,1]) # third line, second column
# [0 1 0] 1 0
# Note
# In 2D, the first dimension corresponds to rows, the second to columns.
# for multidimensional a, a[0] is interpreted by taking all elements in the unspecified dimensions.
#
d2 = np.arange(10)#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(d2[2:9:3])#[start:end:step]
#array([2, 5, 8])
print(d2[::-1])# 【9，8，...,1,0]倒序
#d[strat:stop:steps] => [strat stop) ++steps
d2[:4]#[0,1,2,3]
d2[::3]#[0,3,6,9]
d2[3:]#[3,4,5,6,7,8,9]
对应表：
Snip20170331_3.png
#练习 对角线上递增矩阵实现左下平移一个单位
# [[0 0 0 0 0 0]
# [2 0 0 0 0 0]
# [0 3 0 0 0 0]
# [0 0 4 0 0 0]
# [0 0 0 5 0 0]
# [0 0 0 0 6 0]]
#个人想的笨方法，期待好的解决方法
d3 = np.diag(np.array([1,2,3,4,5,6]))
print(d3)
# [[1 0 0 0 0 0]
# [0 2 0 0 0 0]
# [0 0 3 0 0 0]
# [0 0 0 4 0 0]
# [0 0 0 0 5 0]
# [0 0 0 0 0 6]]
d3[:,:5] = d3[:,1:] #发现“=”赋值是直接进行交换，并不是copy赋值
print(d3)
# [[0 0 0 0 0 0]
# [2 0 0 0 0 0]
# [0 3 0 0 0 0]
# [0 0 4 0 0 0]
# [0 0 0 5 0 0]
# [0 0 0 0 6 6]]
d3[5,5] = 0
print(d3)
# [[0 0 0 0 0 0]
# [2 0 0 0 0 0]
# [0 3 0 0 0 0]
# [0 0 4 0 0 0]
# [0 0 0 5 0 0]
# [0 0 0 0 6 0]]
d4 = d3[2].copy
print(np.may_share_memory(d4,d3))#是否为同一块内存
print(np.random.random_integers(0,10,5))
#随机0-10 五个数
d5 = np.arange(0,100,10)
print(d5[[2,3,4,5,6]])#d5中含有2、3456的数据
# 20，30，。。
d5[[6,7,8]] = 0
print(d5)
d6 = np.array([[1,2,3,4,5],[6,7,8,9,10]])
print(d6)
print(d6[(0,1),(2,3)])
#(0,2)->3 (1,3)->9
对应表：
Snip20170331_5.png
** 数组的操作**
a = np.array([1,2,3,4])
z =a + 1
v = a**2
print(z,v)
print(np.may_share_memory(z,a))
#高效性
a1 = np.arange(10000)
#%timeit a+1 ->10000 loops, best of 3: 24.3 us per loop
#%timeit [i+1 for i in range(10000)] ->10000 loops, best of 3: 864 us per loop
#基本操作 + - ** 没有除~_~，另外特殊操作
#矩阵乘法
b = np.ones((3,3))
b.dot(b)
#比较
b1 = np.array([4, 2, 2, 4])
a == b1 # array(flase,ture,false,ture],dtype = bool)
np.array_equal(a,b1)# False 全部比较
#逻辑
np.logical_and([1,0],[1,0])
#Transcendental functions:
np.sin(a)
np.log(a)
np.exp(a)
#转置矩阵
a = np.triu(np.ones((3,3)),1)
help(np.triu)
# >> > np.triu([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]], -1)
# array([[1, 2, 3],
# [4, 5, 6],
# [0, 8, 9],
# [0, 0, 12]])
a.T#转置
help(np.tril)
a.mean()#平均值
np.median(a)#中位数
print(a.shape)
print(b1.shape)
print(a.mean())
#...
#操作很多，不需要全部掌握，熟悉基本操作，如需用处可查找API
#或help()调用查看
>>>后续待更...
三、数字形象化（matplotlib）
1、使用ipython解释器来加载第三方模块matlotlib
$ pip3 install ipython
$ pip3 install matlotlib
图片.png
终端运行:
$ ipython
图片.png
按照下面代码输入
In [1]: %matplotlib
In [2]: import matplotlib.pyplot as plt # the tidy way
In [3]: x = np.linspace(0, 3, 20)
In [4]: y = np.linspace(0, 9, 20)
In [5]: plt.plot(x, y) # line plot
In [6]: plt.plot(x, y, 'o') # dot plot
示图：
Snip20170330_4.png
Snip20170330_5.png