python numpy包的介绍与使用

python numpy系统，简单的说就是Python的一种开源的数值计算扩展。调用这个包之后，便可以进行储存的处理大型矩阵，并且内部含有实用的线性代数、傅里叶变换和随机生成函数。

在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。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。
　　因为Numpy库较为全面，且大部分代码都是用C语言写的，其底层算法在设计时就有着优异的性能，这使得NumPy比纯Python代码高效得多。因此在实际运用中许多复杂的数学计算需要用matlab实现的，最终都可以通过Numpy实现。
　　因此有Python+Numpy==Matlab的说法：）

import numpy as np
a=[1,2,3,4,5,6]
a*2

便会得到：
[1,2,3,4,5,6,1,2,3,4,5,6]
那么我们如何进行列表内值的二倍运算呢？
　　 因此，我们需要将其变成ndarry形式（为整个numpy的基础，N-demensional array的缩写，即一种由同质元素组成的多维数组），变成数组之后便可以对其内部的只进行数值运算。

A=np.array(a)
print(A)
A

即得：[1 2 3 4 5 6]
array([1,2,3,4,5,6])

此时type一下A
A的形式为
而将

A*2

得：array([2,4,6,8,10,12])
我们在创建数组时，都直接使用np.array()创建，当需创建二维数组时，只需在其中写入两个列表即可。
c=np.array([1,2,3],[4,5,6])
print©
print(type©)

接下来介绍一下几个判断函数：

1)ndim为维数的判断，也称数组轴/秩的个数，简单的说就是按照定义式中有几个“[”。
2)shape为计算每个维度上大小的整数元组：当一维时即总个数；二维时为行列数；三维时先数有几个二维，在显示每个的行列数（详细情况如下图所示）
3)size为元素总数的计算。
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190913173354295.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1RoaW5raW5nT3V0TG91ZA==,size_16,color_FFFFFF,t_70

另外shape属性可以修改：知识改变每个轴的大小并没有将数组元素在内存中的位置改变。

当shape中第二个参数为-1时，则自动计算此轴的长度
reshape自动创建新数组，而不是在原数组上修改。

上面都是先创建一个Python序列，之后通过array转换为数组。因此numpy中提供了一些函数可以直接创建：

linspace:设置开始值，终值和元素个数才创建，可通过endpoint关键字来指定是否包含终值，缺省设置是包含终值。
logspace:与linspace类似，但创建等比数列

array中通过下标获得的新数组与原始数组共享一块数据空间。
当时用整数序列对数组元素进行存取时，整数序列可以是列表或者数组，使用整数序列下标获得的数组不和原始数组共享数据空间。

x=np.random.rand(10)产生一个长度为10，元素值为0-1的随机数组。

Numpy之广播

即处理不同形状的数组之间的算数运算，当维数不同时，小的自动扩展，即广播功能，复制！然后再进行对位的运算。