Numpy学习

1.Numpy介绍

Numpy（Numerical Python） 是一个开源的Python科学计算库， 用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。 对于同样的数值计算任务， 使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组， 该对象是一个快速而灵活的大数据容器。

2 ndarray介绍

NumPy提供了一个N维数组类型ndarray， 它描述了相同类型的“items”的集合。
生成numpy对象:np.array()

3 ndarray的优势

• 内存块风格
  • list – 分离式存储,存储内容多样化
  • ndarray – 一体式存储,存储类型必须一样
• ndarray支持并行化运算（向量化运算）
• ndarray底层是用C语言写的,效率更高,释放了GIL

4 N维数组-ndarray

4.1 ndarray的属性

4.2 ndarray的形状

首先创建一些数组。

# 创建不同形状的数组
>>> a = np.array([[1,2,3],[4,5,6]])
>>> b = np.array([1,2,3,4])
>>> c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])

分别打印出形状

>>> a.shape
>>> b.shape
>>> c.shape

(2, 3) # 二维数组
(4,) # 一维数组
(2, 2, 3) # 三维数组

4.3 ndarray的类型

5.数组的基本操作

5.1 生成数组的方法

5.1.1 生成0和1的数组

5.1.2 从现有的数组中生成

注意这里array 和asarray的区别

5.1.3 生成固定范围的数组

• 创建等差数组 — 指定数量
• 参数:
  • start:序列的起始值
  • stop:序列的终止值
  • num:要生成的等间隔样例数量， 默认为50
  • endpoint:序列中是否包含stop值， 默认为ture

5.1.4 生成随机数组

5.1.4.1 正态分布

• np.random.normal(loc=0.0, scale=1.0, size=None)
  loc： float
  此概率分布的均值（ 对应着整个分布的中心centre）
  scale： float
  此概率分布的标准差（ 对应于分布的宽度， scale越大越矮胖， scale越小， 越瘦高）
  size： int or tuple of ints
  输出的shape， 默认为None， 只输出一个值

举例1： 生成均值为1.75， 标准差为1的正态分布数据， 100000000个

5.1.4.2 均匀分布

• np.random.uniform(low=0.0, high=1.0, size=None)
  功能： 从一个均匀分布[low,high)中随机采样， 注意定义域是左闭右开， 即包含low， 不包含high.
  参数介绍:
  low: 采样下界， float类型， 默认值为0；
  high: 采样上界， float类型， 默认值为1；
  size: 输出样本数目， 为int或元组(tuple)类型， 例如， size=(m,n,k), 则输出mnk个样本， 缺省时输出1个值
  
  

5.2 数组的索引、 切片

一维、 二维、 三维的数组如何索引？

• 直接进行索引,切片
• 对象[:, :] – 先行后列

二维数组索引方式：

• 举例： 获取第一个股票的前3个交易日的涨跌幅数据

# 二维的数组， 两个维度
stock_change[0, 0:3]

5.3 形状修改

5.4 类型修改

5.5 数组的去重

6 ndarray 运算

6.1 逻辑运算

6.2 通用判断函数

6.3 三元运算符

6.4 统计运算

6.5 数组间的运算

6.6 矩阵运算

• np.matmul
• np.dot