&关于计划：
一、Numpy库的学习（学习完毕）；
二、Matplotlib的学习（进行中，预计13周之内完成）；
三、Markdown的学习（进行中）；
（本文内容参考于教程）
&时间：第12周
&内容摘要：
一、
1.当我们对数组进行操作的时候，我们需要注意一个很重要的概念——复制和视图
（1）完全不复制：（一个数据域，一个数组对象，多个名字）
①简单的赋值不会创建数组对象或其数据的拷贝：
>>> import numpy as np
>>> a = np.arange(12)
>>> b = a #没有创建新的对象
>>> b is a #a 和 b是同一数 组对象的两个名字
True
>>> b.shape = 3,4 #改变b的形状(同 时改变b的形状——因为a 和 b引用同一数组对象)
>>> a.shape
(3, 4)
#（a和b完全相通）
②Python将引用对象作为引用传递，因此函数调用不会复制
>>> def g(x):
... print(id(x))
...
>>> id(a)
2339740615344
>>> g(a) #同样的，a 和 x是 同一数组对象的两个名字
2339740615344
（2）视图或浅复制：（一个数据域，不同数组对象，共享相同数据域）
不同的数组对象可以共享相同的数据。
①view()方法创建一个新数组对象，该对象看到相同的数据。
>>> c = a.view()
>>> c is a #c不是a，是新的数组对象
False
>>> c.base is a
#c是以a的数据为基础建立的对象
True
>>> c.flags.owndata
False
>>> c.shape = 2,6 #！a的形状不会（随C改变）
>>> a.shape
(3, 4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> c[0,4] = 1234
#a的数据会随c改变（因为 它们共享数据）
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
#（a和c唯数据相通，形状独立）
Ps：一个易错点：
>>> e = d.view()
>>> e.base is d
True
>>> d.base is e
False
②对数组切片返回一个视图：
>>> s = a[:,1:3] #a[1:3]->取第一个和第二个元素；a[:,1:3]取第一和第二列元素
>>> s[:] = 10 #对s（作为a的视图）赋值，a随之改变（s和a共享数据）
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
（3）深复制：（数据和数据对象，完全复制到另一个名字下）
copy方法生成数组及其数据的完整拷贝
>>> d = a.copy() #新对象d
>>> d is a #d和a是两个独立无相关对象
False
>>> d.base is a #数据不共享
False
>>> d
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
>>> d[0,0] = 9999
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
>>> d
array([[9999, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
2.用imag方法操作数组的虚部
>>> a = np.array([1+2j, 3+4j, 5+6j]) #构造复数数组
>>> a.imag
array([ 2., 4., 6.]) #数组形式返回a的各元素虚部
>>> a.imag = np.array([8,10,12]) #数组形式对a的各元素虚部赋值
>>> a
array([ 1. +8.j, 3.+10.j, 5.+12.j])
3.花式索引和索引技巧
（1）使用索引数组索引
A.
>>> a = np.arange(12)**2
>>> a
array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100, 121], dtype=int32)
>>> i = np.array([2,2,6,8,7]) #作为一个存储position的数组
>>> a[i] #把单子i拿过来按图索骥
array([ 4, 4, 36, 64, 49], dtype=int32)
>>> j = np.array([[3,4],[8,9]])
>>> a[j]
array([[ 9, 16],
[64, 81]], dtype=int32)
#对应position和data返回矩阵
B.多维度索引
>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> i = np.array([[0,1],
... [1,2]]) #构建索引位置矩阵
>>> a[i] #对应i的内容和形式返回矩阵
array([[[ 0, 1, 2, 3], #a的第0个元素
[ 4, 5, 6, 7]], #a的第1个元素
[[ 4, 5, 6, 7], #a的第1个元素
[ 8, 9, 10, 11]]]) #a的第2个元素
>>> a[i,2] #a[i]索引返回的数组中，取每一个元素的2位置的数出来再构造一个数组
array([[ 2, 6],
[ 6, 10]])
>>> j = np.array([[2,1],
... [3,3]])
>>> a[i,j] #i的n位结合j的n位构成一个索引坐标，在a
中按图索骥！注意此处i和j的形状要一样
array([[ 2, 5], #例如，(i[0],j[0])=(0,2),则 a[0,2]->2;接着a[1,1]->5， 以此类推
[ 7, 11]])
>>> a[:,j]
array([[[ 2, 1],
[ 3, 3]], #a的第一个元素的j数组对应位置
[[ 6, 5],
[ 7, 7]], #a的第二个元素的j数组对应位置
[[10, 9],
[11, 11]]]) #a的第三个元素的j数组对应位置
（2）使用布尔数组索引（可以非常方便地察看、选择数据）
>>> import numpy as np
>>> a = np.arange(12).reshape(3,4)
>>> b = a > 4
>>> b
array([[False, False, False, False],
[False, True, True, True],
[ True, True, True, True]], dtype=bool)
>>> a[b]
array([ 5, 6, 7, 8, 9, 10, 11])
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a[b] = 0
>>> a
array([[0, 1, 2, 3],
[4, 0, 0, 0],
[0, 0, 0, 0]])
4.好玩的ix_()函数（可以用于组合不同的向量，便于向量运算）
>>> import numpy as np
>>> a = np.array([2,3,4,5])
>>> b = np.array([8,5,4])
>>> c = np.array([5,4,6,8,3])
>>> ax,bx,cx = np.ix_(a,b,c) #用ix_()函数组合向量
>>> ax
array([[[2]],
[[3]],
[[4]],
[[5]]])
>>> bx
array([[[8],
[5],
[4]]])
>>> cx
array([[[5, 4, 6, 8, 3]]])
>>> ax.shape, bx.shape, cx.shape #组合完毕，向量各占一元
((4, 1, 1), (1, 3, 1), (1, 1, 5))
>>> result = ax+bx*cx
#将完成组合的向量加以 运算，得到的结果矩阵存储 给数组对象
>>> result
array([[[42, 34, 50, 66, 26],
[27, 22, 32, 42, 17],
[22, 18, 26, 34, 14]],
[[43, 35, 51, 67, 27],
[28, 23, 33, 43, 18],
[23, 19, 27, 35, 15]],
[[44, 36, 52, 68, 28],
[29, 24, 34, 44, 19],
[24, 20, 28, 36, 16]],
[[45, 37, 53, 69, 29],
[30, 25, 35, 45, 20],
[25, 21, 29, 37, 17]]])
>>> result[3,2,4]
#给予对应abc的参数，可以 从结果矩阵中调出结果
17
>>> a[3]+b[2]*c[4] #跟普通方法结果一致
17
二、
1.使用默认配置画一个图：
A.代码：
B.效果:
2.改变线条的粗细和颜色以及设置图片边界：
代码和效果：
