这个系列主要集中在python做科学计算的Numpy、Scipy等库，当然原汁原味的知识才是最好的，请查看https://docs.scipy.org/
Numpy系列包含ndarray、ufunc、矩阵运算和文件存取
Numpy主要包含两种数据结构：Array和Matrix，以及对应的的Ufunc函数
1. 安装numpy
#终端命令 或用canda，以包含numpy、scipy等
sudo pip install numpy
2. 导入numpy
import numpy as np
3. 创建对象
Numpy最主要的对象是均匀的多维数组，我们可以通过给array函数传递Python的序列对象创建数组，如果传递的是多层嵌套的序列，将创建多维数组。Numpy的array类叫做ndarray，也就是通常说的array，numpy.array与python的array.array是不同的，它仅提供一维数组和少量函数。
3.1 ndarray最常用的属性
- ndarray.ndim
--array的维数，及数组维数，python中被称为秩rank - ndarray.shape
--array的每个维度的长度，及各个维度数组的长度，是一个tuple，eg:(4, 5),tuple的长度即为rank - ndarray.size
--array的元素个数 - ndarray.dtype
--array元素的类型，常见的numpy.int64, numpy.int32, numpy.int16, numpy.float64, Numpy默认数据类型为numpy.int64(不同版本会有区别) - ndarray.itemsize
--array元素的字节长，例如，float64为8字节（=64/8），complex32为4字节 (=32/8). 它等同于ndarray.dtype.itemsize. - ndarray.data
--缓存中存有的实际array元素，一般不用这个属性对array进行索引取值
# 采用python list, numpy默认dtype为int64，默认的dtype不显示
>>>a = np.array([[1, 2, 3], [4, 5, 6]])
>>>a
array([[1, 2, 3],
[4, 5, 6]])
# 下面返回一个tuple
>>>a.ndim, a.shape, a.size, a.dtype, a.itemsize
(2, (2, 3), 6, dtype('int64'), 8)
>>>a.data
# 利用reshape函数可以修改array尺寸产生新array，总elements不变
>>>a.reshape(3,2)
array([[1, 2],
[3, 4],
[5, 6]])
3.2 创建array对象—根据python序列对象和数据类型创建
# 一种参考3.1的例子，第二种是python对象： list + float
>>>b = np.array([[1, 2, 3], [4, 5, 6.0]])
>>>b
array([[ 1., 2., 3.],
[ 4., 5., 6.]])
# python tuple + float
>>>np.array((1, 2, 3.1))
array([ 1. , 2. , 3.1])
# python 混合对象 list+tuple
>>>np.array(([1, 2, 3], (4, 5, 6)))
array([[1, 2, 3],
[4, 5, 6]])
# 创建2维array对象，Minimum dimensions 2，等同 np.array([[1, 2, 3]])
>>>np.array([1, 2, 3], ndmin=2)
array([[1, 2, 3]])
# 复数类型
>>>np.array([1, 2, 3], dtype=complex)
array([ 1.+0.j, 2.+0.j, 3.+0.j])
# 自定义数据类型 字节顺序：>为big-edian <为little-endian， i4:int32,及4个字节
>>>x = np.array([(1, 2), (3, 4), (5, 6)],dtype=[('a','>>x['a']
array([1, 3, 5], dtype=int32)
# Numpy默认类型为int64
>>>x['b']
array([2, 4, 6])
>>>x['b'].dtype
dtype('int64')
3.3 创建matrix对象 / matrix转为array对象
# 同样可以用 python对象来创建
>>>np.mat([(1,2),(3,4)])
matrix([[1, 2],
[3, 4]])
# ！可以用数值字符串创建matrix， 并将其转为array对象
>>>np.array(np.mat('1 2; 3 4'))
array([[1, 2],
[3, 4]])
# 用数值字符串创建array,整体仍为字符类型的一个元素
>>>np.array(('1 2;3 4', 'a'))
array(['1 2;3 4', 'a'], dtype='|S7')
# 仍为matrix对象
>>>np.array(np.mat('1 2; 3 4'), subok=True)
matrix([[1, 2],
[3, 4]])
3.4 利用函数创建array对象
Numpy专门提供了很多函数来创建数组，常用的有arange、linspace、logspace、zeros、ones、empty等函数通过数值创建数组(类同matlab)，以及frombuffer, fromstring, fromfile等函数可以从字节序列创建数组，还可以通过fromfunction来通过函数创建数组.
3.4.1 通过arange、linspace、logspace等函数创建数组
arange与linspace最主要的区别是，arange第三个参数为step，linspace/logspace第三个参数为元素个数
- arange函数类似于python的range函数，通过指定开始值、终值和步长来创建一维数组，注意数组不包括终值:
>>>np.arange(0, 1, 0.1)
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])
- linspace函数通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关键字指定是否包括终值，缺省设置是包括终值:
# linspace在生成数组需计算好数组的size，生成类似range步长的数组通常size比range()的大1,
# 或者将终值设为range()终值-step. 最后一个等同于 np.arange(0, 1, 0.1)
>>>np.linspace(0, 1, 10), np.linspace(0, 1, 11), np.linspace(0, 0.9, 10)
(array([ 0. , 0.11111111, 0.22222222, 0.33333333, 0.44444444,
0.55555556, 0.66666667, 0.77777778, 0.88888889, 1. ]),
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ]),
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]))
- logspace函数和linspace类似，不过它创建等比数列，下面的例子产生1(100)到100(102)、有20个元素的等比数列:
>>>np.logspace(0, 2, 20)
array([ 1. , 1.27427499, 1.62377674, 2.06913808,
2.6366509 , 3.35981829, 4.2813324 , 5.45559478,
6.95192796, 8.8586679 , 11.28837892, 14.38449888,
18.32980711, 23.35721469, 29.76351442, 37.92690191,
48.32930239, 61.58482111, 78.47599704, 100. ])
# 可以指定dtype
>>>np.zeros( (3,4) )
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>>np.ones( (2,3,4), dtype=np.int16 )
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]], dtype=int16)
>>>np.empty( (2,3) )
array([[ 6.92492661e-310, 6.92492661e-310, 9.01700787e+223],
[ 3.42702482e-062, 1.12958007e+277, 7.28193369e+223]])
3.4.2 通过frombuffer, fromstring, fromfile等函数从字节序列创建array，以fromstring为例
# Python的字符串实际上是字节序列，每个字符占一个字节，
# 因此如果从字符串s创建一个8bit的整数数组的话，所得到的数组正好就是字符串中每个字符的ASCII编码
s = 'abcdefgh'
>>>>np.fromstring(s, dtype=np.int8), np.fromstring(s, dtype=np.int64),
np.fromstring(s, dtype=np.float64)
(array([ 97, 98, 99, 100, 101, 102, 103, 104], dtype=int8),
array([7523094288207667809]),
array([ 8.54088322e+194]))
3.4.3 通过fromfunction创建array
# 创建 9×9 乘法表， 是不是很类似与 装饰器？
>>>def multi_2(i, j):
return (i+1) * (j+1)
>>>c = np.fromfunction(multi_2, (9,9))
>>>c
array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],
[ 2., 4., 6., 8., 10., 12., 14., 16., 18.],
[ 3., 6., 9., 12., 15., 18., 21., 24., 27.],
[ 4., 8., 12., 16., 20., 24., 28., 32., 36.],
[ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
[ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
[ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
[ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])
Numpy弥补了Python自身的array的大量不足，为Python提供了数值计算的基础库，衍生出了大量做大数据分析的库，这奠定了Python做大数据分析的地位，也是在机器学习、深度学习逐渐进入应用领域中最常用的语言，赶快搂起袖子加油干！
Enjoy it～
Python科学计算神器之Numpy-2