Numpy:基础
1.Numpy中的ndarray是一个多维数组对象，其包含了数组中的实际数据和描述该数组的元数据。大部分数组的操作仅仅改变元数据的部分，而不改变实际的数据。
>>>
#维度元素大小不同的情况
m=numpy.array([numpy.arange(2),numpy.arange(3)])
>>> m
array([array([0, 1]), array([0, 1, 2])], dtype=object)
>>> m.shape
(2,)
>>>
#维度元素大小相同的情况
m=numpy.array([numpy.arange(2),numpy.arange(2)])
>>>
>>> m
array([[0, 1],
[0, 1]])
>>> m.dtype##数组中数据的类型
dtype('int32')
>>> m.shape##数组的维度信息
(2, 2)2.数组中的元素选取使用array[dimen1,dimen2….]这种格式
>>> k
array([[0, 1, 2],
[0, 1, 2],
[0, 1, 2]])
>>> k.shape
(3, 3)
>>> k.dtype
dtype('int32')
>>> k[0,0]
0
>>> k[2,2]
2
>>> k[0,]##取出整个维度的数据
array([0, 1, 2])
>>> k[,2]#想去每一个维度同一位置的做法却不可取
SyntaxError: invalid syntax
>>> 3.Numpy中的数据类型
numpy中许多函数是可以指定数据类型的，比如arange(),array(),ndarray()。数据类型对象是numpy.dtype类的实例。如前所述，NumPy数组是有数据类型的，更确切
地说，NumPy数组中的每一个元素均为相同的数据类型。数据类型对象可以给出单个数组元素在
内存中占用的字节数，即dtype类的itemsize属性：
>>> p=numpy.arange(5,dtype=numpy.float32)
>>> p
array([ 0., 1., 2., 3., 4.], dtype=float32)
#数据类型对象的大小
>>> p.dtype.itemsize
4- Numpy 中的数据类型编码
Numpy中的数据类型列表，数据类型对象有多个属性，其中包括类型编码，在内存中的存储格式等。
>>> numpy.sctypeDict.keys()
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 'unicode', 23, 'cfloat', 'longfloat', 'Int32', 'Complex64', 'unicode_', 'complex', 'timedelta64', 'uint16', 'c16', 'float32', 'int32', 'D', 'float96', 'H', 'void', 'unicode0', 'L', 'P', 'half', 'void0', 'd', 'h', 'l', 'p', 22, 'Timedelta64', 'object0', 'b1', 'M8', 'String0', 'float16', 'ulonglong', 'i1', 'uint32', '?', 'Void0', 'complex64', 'G', 'O', 'UInt8', 'S', 'byte', 'UInt64', 'g', 'float64', 'ushort', 'Complex96', 'float_', 'uint', 'object_', 'Float16', 'complex_', 'Unicode0', 'uintp', 'intc', 'csingle', 'datetime64', 'float', 'bool8', 'Bool', 'intp', 'uintc', 'bytes_', 'u8', 'Float96', 'u4', 'int_', 'cdouble', 'u1', 'complex128', 'u2', 'f8', 'Datetime64', 'ubyte', 'm8', 'complex192', 'B', 'uint0', 'F', 'bool_', 'uint8', 'c8', 'Int64', 'Int8', 'Complex32', 'V', 'int8', 'uint64', 'b', 'c24', 'f', 'double', 'UInt32', 'clongdouble', 'str', 'f12', 'f2', 'f4', 'int', 'longdouble', 'single', 'string', 'q', 'Int16', 'Float64', 'longcomplex', 'UInt16', 'bool', 'Float32', 'string0', 'longlong', 'i8', 'int16', 'str_', 'I', 'object', 'M', 'i4', 'singlecomplex', 'Q', 'string_', 'U', 'a', 'short', 'e', 'i', 'clongfloat', 'm', 'Object0', 'int64', 'i2', 'int0']numpyz中允许自定义异构数据类型。
##自定义异构数据类型y
>>> y=numpy.dtype([('name',str,40),('numitem',numpy.int32),('price',numpy.float32)])
>>> y
dtype([('name', 'S40'), ('numitem', '), ('price', ')])
>>> y.str
'|V48'
###使用自定义数据类型定义数组
>>> item=numpy.array([("onething",001,34.3),("otherthing",002,34.5),("onemorething",003,45.6)],dtype=y)
>>> item
array([('onething', 1, 34.29999923706055), ('otherthing', 2, 34.5),
('onemorething', 3, 45.599998474121094)],
dtype=[('name', 'S40'), ('numitem', '), ('price', ')])
>>> 5.numpy中的array可以使用reshape()函数或者resize()函数，不同的是resize()函数会对原数组直接修改。reshape()对原数组不影响。重构数组为多维数组，重构后的数组可以使用原python中的切片索引对数组进行操作。比如o=numpy.arange(24).reshape(2,3,4)就可以把一维的数组重构为三维的数组。重构时要注意数组元素个数的一致性。对重构后的数组切片操作和原python类似。
6.numpy.array的高维对象可以使用arrayobject.reval()（函数只是返回一个视图显示效果）或arrayobject.flatten()（函数返回的结果会有相应内存分配存储数据）函数使高维数组展位一维。
>>> i
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
>>> i[...,1]
#ravel和flatten返回值形式无区别，内存结构有区别
array([[ 1, 5, 9],
[13, 17, 21]])
>>> i.flatten()
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23])
>>> i.ravel()
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23]) 7numpy中支持对数组进行组合操作。我们按照水平、垂直和深度等方式进行了组合数组的操作。我们使用了vstack(垂直组合，垂直方向组合两个数组)、dstack(深度组合，两个元组组合为一个列表元素)、hstack（水平方向上组合）、column_stack(列方向组合数组，这个特别点)、row_stack(行方向组合数组，这个特别点)以及concatenate（可以设置哪个轴方向组合数组）函数。vstack垂直组合实际上是axis=1轴上的组合，hstack实际上是axis=0方向上的组合。二维以上的数组，row_stack和vstack的效果一样而column_stack和hstack的效果一样。
>>> numpy.column_stack((a,b))
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[ 0, 1, 4, 9],
[ 16, 25, 36, 49],
[ 64, 81, 100, 121]],
[[ 12, 13, 14, 15],
[ 16, 17, 18, 19],
[ 20, 21, 22, 23],
[144, 169, 196, 225],
[256, 289, 324, 361],
[400, 441, 484, 529]]])
>>> a
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
>>> b
array([[[ 0, 1, 4, 9],
[ 16, 25, 36, 49],
[ 64, 81, 100, 121]],
[[144, 169, 196, 225],
[256, 289, 324, 361],
[400, 441, 484, 529]]])
>>> numpy.row_stack((a,b))==numpy.vstack((a,b))
array([[[ True, True, True, True],
[ True, True, True, True],
[ True, True, True, True]],
[[ True, True, True, True],
[ True, True, True, True],
[ True, True, True, True]],
[[ True, True, True, True],
[ True, True, True, True],
[ True, True, True, True]],
[[ True, True, True, True],
[ True, True, True, True],
[ True, True, True, True]]], dtype=bool)
>>>
8.Numpy可以使用hsplit,vsplit,dsplit或者split对数组按照特定的条件分为子数组。hsplit水平方向上的分隔，相当于axis=0方向的分隔，numpy.hsplit(array,num)其中num数字为该维能均分的数字。numpy.vsplit(array,num)与hsplit一样，只是维度为axis=1。numpy.split(array,num,axis=axisnum)。numpy.dsplit(array,num)只用于最少三维的数组进行分隔。
9.数组中的属性。array.dtype求元素的数据类型, array.ndim求数组的轴数, array.size求数组中共有多少个元素，array.T求数组的转置（一维数组的装置是其本身），array.nbytes求整个数组元素所占的内存大小，array.itemsize求单个数组元素所占内存大小，array.real求数组的实部，array.imag求数组的虚部
array.flat会返回一个numpy.flatiter对象，该对象是“扁平迭代器”能遍历整个多维数组。
>>> a=numpy.arange(12).reshape(3,4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.flat
0x02F86940>
>>> for i in a.flat:##迭代器
print i
0
1
2
3
4
5
6
7
8
9
10
11
>>> a.flat[4]=89##可以对flatiter里边的单个元素赋值
>>> a
array([[ 0, 1, 2, 3],
[89, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> 10.可以使用array.tolist()函数使numpy数组转换为python列表。使用array.astype(dtype)转换数据类型，若是复数转为整数会丢失虚部。
>>> a
array([[ 0, 1, 2, 3],
[89, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.tolist()
[[0, 1, 2, 3], [89, 5, 6, 7], [8, 9, 10, 11]]
>>> a.astype(float)
array([[ 0., 1., 2., 3.],
[ 89., 5., 6., 7.],
[ 8., 9., 10., 11.]])
>>> 11.这里学习了numpy中的数据类型和数组。对于数组而言，有很多属性可以用来描述数组，数据类型就是其中之一。在NumPy中，数组的数据类型是用对象来表示的。类似于Python列表，NumPy数组也可以方便地进行切片和索引操作。在多维数组上，NumPy有明显的优势。涉及改变数组维度的操作有很多种——组合、调整、设置维度和分割等。在这一章中，对很多改变数组维度的实用函数进行了说明。