Numpy数值计算基础（1）
NumPy是Python的一种开源的数值计算扩展库。
ndarray:是存储单一数据类型的多维数组，
ufunc:是一种能够对数组进行处理的函数。
常用的导入格式： import numpy as np
1. NumPy多维数组
创建数组对象
通过NumPy库的array函数可以创建ndarray数组。同构数据容器，即所有元素需要相同的类型。
使用array函数的格式： np.array(object, dtype, ndmain)
import numpyas np
d1 = [1, 3, 5, 7] # 列表
w1 = np.array(d1)
d2 = (2, 4, 6, 8)
w2 = np.array(d2) # 元组
d3 = [[1, 2, 3, 4], [5, 6, 7, 8]]
w3 = np.array(d3) # 多维数组
print(‘W1’, w1)
print(‘W2’, w2)
print(‘W3’, w3)
# 为新建的数组推断出一个合适的数据类型，并保存在dtype
w4 = np.array([1, 2, 3, 4], dtype=‘float64’)
print(w4.dtype)
print(w4)
输出：
W1 [1 3 5 7]
W2 [2 4 6 8]
W3 [[1 2 3 4]
[5 6 7 8]]
float64
[1. 2. 3. 4.]
专门创建数组的函数
arange函数，主要用来创建数组。可以指定初始值，步长，数组不包含终值。
a1 = np.arange(10)
print(a1) # [0 1 2 3 4 5 6 7 8 9]
a = np.arange(1, 10, 2)
print(a) # [1 3 5 7 9]
a2 = np.arange(0, 1, 0.2)
print(a2) # [0. 0.2 0.4 0.6 0.8]
linspace函数
当arrange的参数是浮点型时，由于浮点型的精度有限，通常不太可能去预测获得元素的数量。更好的选择函数linspace
w = np.linspace(0, 1, 5)
print(w) # [0. 0.25 0.5 0.75 1. ]
logspace函数
创建的时等比数列
w = np.logspace(0, 1, 5)
print(w) # [ 1. 1.77827941 3.16227766 5.62341325 10. ]
logspace的参数中，起始位和终止位代表的是10的幂(默认基数为10)，第3个参数表示元素个数
zeros函数
可创建指定长度或形状的全0数组，。
如，创建全零矩阵
print(np.zeros(4)) # [0. 0. 0. 0.]
print(np.zeros([3, 3]))
输出：
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
ones函数
可创建指定长度或形状的全1数组
print(np.ones(5))
输出：[1. 1. 1. 1. 1.]
print(np.ones([2, 3]))
输出：
[[1. 1. 1.]
[1. 1. 1.]]
diag函数
可以创建对角矩阵，即对角元素为0或者指定值，其它元素为0
print(np.diag([1, 2, 3, 4]))
输出：
[[1 0 0 0]
[0 2 0 0]
[0 0 3 0]
[0 0 0 4]]
ndarry对象属性和数据转换
创建的ndarry对象属性主要有shape， size等属性：
ndim: 秩，即数据轴的个数
shape: 数组的维度
size: 数组元素个数
dtype: 数据类型
itemsize: 数组中每个元素的字节大小
测试代码：
warray = np.array([[1, 2, 3], [4, 5, 6]])
print(“秩：”, warray.ndim)
print(“形状为：”, warray.shape)
print(“元素个数:”, warray.size)
输出：
秩： 2
形状为： (2, 3)
元素个数: 6
设置数组的shape属性：
warray.shape =3, 2
print(warray)
输出：
[[1 2]
[3 4]
[5 6]]
数组类型转换
对于创建好的ndarry,可以通过astype方法进行数据类型的转换
arr1 = np.arange(6)
print(arr1.dtype)
arr2 = arr1.astype(np.float64)
print(arr2.dtype)
print(arr1)
print(arr2)
输出：
int32
float64
[0 1 2 3 4 5]
[0. 1. 2. 3. 4. 5.]
生成随机数
在Numpy.random模块中，提供了许多随机数的生成函数，如 randint,可生成指定范围的随机数。
np.random.randint(low, high = None, size= None)
a = np.random.randint(100, 200, size=(2, 4))
print(a)
输出：
[[104 164 111 128]
[195 118 152 175]]
生成【0， 1】的随机数
r1 = np.random.rand(5)
print(r1)
输出：
[0.12335986 0.42162639 0.97246396 0.52114664 0.71535294]
r2 = np.random.rand(4, 2)
print(r2)
输出：
[[0.22090604 0.9399978 ]
[0.61356375 0.09882253]
[0.74484144 0.77596951]
[0.93574769 0.11303797]]
random模块常用的随机数生成函数
seed: 确定随机数生成器的种子
permutation : 返回一个序列的随机排列或返回一个随机排列的范围
shuffle: 对一个序列进行随机排列
binomial: 产生二项分布的随机数
normal: 产生正态分布的随机数(高斯分布)
beta: 产生beta分布的随机数
chisquare: 产生卡方分布的随机数
gamma: 产生gamma分布的随机数
uniform: 产生在[0,1）中均匀分布的随机数
数组变换
数组重塑
对于定义好的数组，可以使用reshape方法改变其维度，传入的参数为新维度的元组。
a1 = np.arange(8)
print(a1)
a2 = a1.reshape(4, 2)
print(a2)
输出：
[0 1 2 3 4 5 6 7]
[[0 1]
[2 3]
[4 5]
[6 7]]
reshape中的一个参数可设置为 -1，表示数组的维度可以通过数据本身来推断。
a1 = np.arange(12)
print("a1: ", a1)
a2 = a1.reshape(2, -1)
print("a2: ", a2)
输出：
a1: [ 0 1 2 3 4 5 6 7 8 9 10 11]
a2: [[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]]
与reshape 相反的方法是数据散开 ravel，或者数据扁平化 flatten
数据散开
a1 = np.arange(12).reshape(3, 4)
print(“a1:”, a1)
a2 = a1.ravel()
print("a2: ", a2)
输出：
a1: [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
a2: [ 0 1 2 3 4 5 6 7 8 9 10 11]
数据重塑不会改变元素组的
数组合并
多个数组间的操作。使用hstack, vstack, concatenate函数完成数组的合并。
横向合并是将ndarray对象构成的元组作为参数，传递给hstack函数。
2个数组的横向合并
a1 = np.arange(6).reshape(3, 2)
a2 = a1 *2
print("a1: ", a1)
print("a2: ", a2)
a3 = np.hstack((a1, a2))
print("a3: ", a3)
输出：
a1: [[0 1]
[2 3]
[4 5]]
a2: [[ 0 2]
[ 4 6]
[ 8 10]]
a3: [[ 0 1 0 2]
[ 2 3 4 6]
[ 4 5 8 10]]
数组纵向合并
a1 = np.arange(6).reshape(3, 2)
print(“a1：”, a1)
a2 = a1 *2
print("a2: ", a2)
a3 = np.vstack((a1, a2))
print(a3)
输出：
a1： [[0 1]
[2 3]
[4 5]]
a2: [[ 0 2]
[ 4 6]
[ 8 10]]
[[ 0 1]
[ 2 3]
[ 4 5]
[ 0 2]
[ 4 6]
[ 8 10]]