2、NumPy数组基本用法

（1）Numpy是Python科学计算库，用于快速处理任意维度的数组。
（2）NumPy提供一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
（3）numpy.ndarray支持向量化运算。
（4）NumPy使用c语言写的，底部解除了GIL，其对数组的操作速度不在受python解释器限制。

1、numpy中的数组：

Numpy中的数组的使用跟Python中的列表非常类似。他们之间的区别如下：

（1）一个列表中可以存储多种数据类型，比如a = [1,‘a’]是允许的。而数组只能存储同种数据类型。
（2）数组可以是多维的，当多维数组中所有的数据都是数值类型的时候，相当于线性代数中的矩阵，是可以进行相互间的运算的。

2、创建数组（np.ndarray对象）：

Numpy经常和数组打交道，因此首先第一步是要学会创建数组。在Numpy中的数组的数据类型叫做ndarray。以下是两种创建的方式：
1、根据python中的列表生成，注意生成的数组各元素之间没有逗号，列表和张量子之间有逗号。

import numpy as np
a1 = np.array([1, 2, 3, 4])
print(a1)   #结果为：[1 2 3 4]
print(type(a1)) #结果为：

2、使用np.arange生成，其中np.arange的用法类似于Python中的range：

import numpy as np
a2 = np.arange(2, 21, 2) #start:stop:step
print(a2) #结果为：[ 2  4  6  8 10 12 14 16 18 20]

3、使用np.random生成随机数的数组：

a4 = np.random.randint(0, 10, size=(3, 3)) #元素是从0-10之间随机的3行3列的数组
print(a4)
#结果为：[[5 6 7]
          [1 7 5]
          [0 5 0]]

4、使用函数生成特殊的数组：

a1 = np.zeros((2,2)) #生成一个所有元素都是0的2行2列的数组
print(a1)
# [[0. 0.]
#  [0. 0.]]
a2 = np.ones((3,2)) #生成一个所有元素都是1的3行2列的数组
print(a2)
# [[1. 1.]
#  [1. 1.]
#  [1. 1.]]
a3 = np.full((2,2),8) #生成一个所有元素都是8的2行2列的数组
print(a3)
# [[8 8]
#  [8 8]]
a4 = np.eye(3) #生成一个在斜方形上元素为1，其他元素都为0的3x3的矩阵
print(a4)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

3、ndarray常用属性：

3.1 ndarray.dtype：获取数组中数据的数据类型

因为数组中只能存储同一种数据类型，因此可以通过.dtype获取数组中的元素的数据类型.

Numpy中关于数值的类型比Python内置的多得多，这是因为Numpy为了能高效处理海量数据而设计的。举个例子，比如现在想要存储上百亿的数字，并且这些数字都不超过254（一个字节内），我们就可以将dtype设置为int8，这样就比默认使用int64更能节省内存空间了。
1、默认的数据类型：

import numpy as np
a1 = np.array([1,2,3])
print(a1) #结果为：[1 2 3]
print(a1.dtype) #结果为：int32
# 如果是windows系统，默认是int32

2、指定dtype：(dtype= )

import numpy as np
a1 = np.array([1,2,3],dtype=np.int64)
# 或者 a1 = np.array([1,2,3],dtype="i8")
print(a1.dtype) #结果为：int64

3、修改dtype：通过.astype()方法实现

import numpy as np
a1 = np.array([1,2,3])
print(a1.dtype) # window系统下默认是int32，结果为：int32
# 以下修改dtype
a2 = a1.astype(np.int64) # astype不会修改数组本身，而是会将修改后的结果返回
print(a2.dtype)#结果为：int64

3.2 ndarray.size：获取数组中总的元素的个数。

比如有个二维数组：

import numpy as np
a1 = np.array([[1,2,3],[4,5,6]])
print(a1.size) #打印的是6，因为总共有6个元素

3.3 ndarray.ndim：数组的维数。

比如：

a1 = np.array([1,2,3])
print(a1.ndim) # 维度为1
a2 = np.array([[1,2,3],[4,5,6]])
print(a2.ndim) # 维度为2
a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(a3.ndim) # 维度为3

3.4 ndarray.shape：数组的维度的元组。

比如以下代码

a1 = np.array([1,2,3])
print(a1.shape) # 输出(3,)，意思是一维数组，有3个数据

a2 = np.array([[1,2,3],[4,5,6]])
print(a2.shape) # 输出(2,3)，意思是二维数组，2行3列

a3 = np.array([
    [
        [1,2,3],
        [4,5,6]
    ],
    [
        [7,8,9],
        [10,11,12]
    ]
 ])
print(a3.shape) # 输出(2,2,3)，意思是三维数组，总共有2个元素，每个元素是2行3列的

a4 = np.array([1,2,3],[4,5])
print(a4.shape) # 输出(2,)，意思是a4是一个一维数组，总共有2列
print(a4) # 输出[list([1, 2, 3]) list([4, 5])]，其中最外面层是数组，里面是Python列表

另外，还可以通过ndarray.reshape来重新修改数组的维数。示例代码如下：

a1 = np.arange(12) #生成一个有12个数据的一维数组
print(a1)#结果为：[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11] 

a2 = a1.reshape((3,4)) #变成一个2维数组，是3行4列的
print(a2)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]
a3 = a1.reshape((2,3,2)) #变成一个3维数组，总共有2块，每一块是3行2列的
print(a3)
# [[[ 0  1]
#   [ 2  3]
#   [ 4  5]]
#
#  [[ 6  7]
#   [ 8  9]
#   [10 11]]]
a4 = a2.reshape((12,)) # 将a2的二维数组重新变成一个12列的1维数组
print(a4)  #[ 0  1  2  3  4  5  6  7  8  9 10 11]

a5 = a2.flatten() # 不管a2是几维数组，都将他变成一个一维数组,拉平
print(a5)  #[ 0  1  2  3  4  5  6  7  8  9 10 11]

注意：reshape并不会修改原来数组本身，而是会将修改后的结果返回。如果想要直接修改数组本身，那么可以使用resize来替代reshape。

3.4 ndarray.itemsize：数组中每个元素占的大小，单位是字节。

比如以下代码：

import numpy as np
a1 = np.array([1,2,3],dtype=np.int32)
print(a1.itemsize) # 打印4，因为每个字节是8位，32位/8=4个字节