Numpy(基于jupyter)

NumPy 是一个 Python 包，代表 “Numeric Python” 是一个由多维数组对象和用于处理数组的例程集合组成的库
本文内容包括： 一、创建Ndarray数组 二、Numpy的数据类型 三、数组的切片和索引 四、Numpy广播与数组操作 五、数组合并与通用函数

一、创建Ndarray数组

1、创建Ndarray数组

#引入numpy包，以后np就代表numpy
import numpy as np

array方法，可以传入序列类型的对象

a=np.arange(10,30,2)#10为起点，30为终点，2为步长 array数据类型：数组
a

（选中这一句话点击运行可以单行运行）

a3=[1,2,3] #数据类型：列表
a3

type(a3)#type()判断数据类型

方法1：(推荐)

#方法1：
a = np.array([1,2,3]) #推荐
a

#建立多维数组
a1 = np.array([[1,2,3],[7,8,9]])  
a1

方法2：利用函数，常用的函数有zeros、ones和empty用法都类似，以zeros为例加以说明

#方法2：利用函数，常用的函数有zeros、ones和empty用法都类似，以zeros为例加以说明
a=np.zeros(10)#生成10个元素，元素全为0   ones()生成的元素全为1
a

数组：

a=np.zeros([2,3])
a

a=np.empty(10)#有可能是全0，也可能是随机数
a

#方法2：arange函数，重要
a=np.arange(10)#产生10个从0开始的自然数，arange()自然数组
a

a=np.linspace(10,30,12)#10为起始点，30为终止点，生成12个数，默认个数为50，随机产生
a

判断维数 ndim
简便方法，看最开始【的个数

a.ndim #判断a的维数

a.shape #判断a的形状，为12行（12个数）

#改变形状reshape
#一般先生成一个一维的，然后reshape为二维的,需要注意的是数据的一致性，10=2*5
a=np.arange(10).reshape(2,5)
a

形状 shape 2*5 即2行5列

a.shape

二、Numpy的数据类型

包括：bool、intN、uintN、floatN、complexN 不同的数据类型，会影响运算速度 利用dtype可以查看默认数据类型

a.dtype #判断a中元素类型，区别于type

a1=np.array([True,False,False,True])#bool型数据：元素只有True或者False
a1.dtype

数据类型及描述
bool： 存储为一个字节的布尔值(真或假)
int： 默认整数，相当于 C 的long，通常为int32或int64
intc：相当于 C 的int，通常为int32或int64
intp：用于索引的整数，相当于 C 的size_t，通常为int32或int64
int8字节(-128 ~ 127)
int16 ：16 位整数(-32768 ~ 32767)
int32： 32 位整数(-2147483648 ~ 2147483647)
int64 64 位整数(-9223372036854775808 ~ 9223372036854775807)
uint8： 8 位无符号整数(0 ~ 255)
uint16： 16 位无符号整数(0 ~ 65535)
uint32： 32 位无符号整数(0 ~ 4294967295)
uint64： 64 位无符号整数(0 ~ 18446744073709551615)
float_：float64的简写
float16半精度浮点：符号位，5 位指数，10 位尾数
float32单精度浮点：符号位，8 位指数，23 位尾数
float64双精度浮点：符号位，11 位指数，52 位尾数
complex_：complex128的简写
complex64：复数，由两个 32 位浮点表示(实部和虚部)
complex128：复数，由两个 64 位浮点表示(实部和虚部)
NumPy 数字类型是dtype(数据类型)对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。

a3 = np.array([1.2, 3.23, 7.88])
a3.dtype

a3.round(1) #a3元素保留位小数，四舍五入

a4 = a3.astype(np.int32)#a3取整（int32）（去掉小数）
a4

a = np.array([True,True,False,True,False])
a

a5 = a.astype(np.float32) #a取单精度浮点数
a5

三、数组的切片和索引

a =np.arange(10)
#前包括后不包括（从第0位开始），观察运行结果，注意切出来的仅仅是原来的一个视图，并没有改变原数据
#思考一下为啥这样，有什么益处：取出部分数据进行分析，并不改表原来的总数据
a[5:]

a[5:8]#第五个元素

#从0开始
a[:5]#从0开始的前5个元素，默认步长为1 

#从0开始，到5，步长为2
a[:5:2]

a[::2]#对所有元素，从0开始，步长为2

四、Numpy的广播与数组操作

a=np.arange(10).reshape(2,5)
a

#当array与标量运算时，所有的元素都与该标量进行运算
a+10

#相同形状的数组进行运算，则对应元素之间进行运算
a+a

a1=np.arange(10,15)
a1

a+a1

五、数组合并与通用函数

#合并 np.concatenate,注意多维数组的输入方式
a = np.array([[1,2],[3,4]])
a

b = np.array([[5,6],[7,8]])
b

np.concatenate([a,b])#默认是行叠加，沿行合并，或者说沿0轴合并

np.concatenate([a,b],axis = 1)#对比 axis=1横轴(x轴），axis=0纵轴(y轴）默认axis=0

数组堆叠——增加数组的维度 stack

a = np.array([1,2,3,4])
b = np.array([5,6,7,8])
np.stack([a,b])

np.stack([a,b], axis = 1)

去重 去除重复元素：unique

a = np.array([1,2,1,1,3,4,3,5,6,1])
np.unique(a)

通用函数

np.sqrt(a)
np.sin(a)
np.cos(a)
np.add(a,b)
np.sub(a,b)
np.mod(a,b)#等价于 a%b 求模
a//b #求余
a == b #比较运算
a>b
~(a>b)

还有部分内容
六、Numpy的统计函数 七、Numpy随机数、逻辑运算与数据存取
#均值
a.mean()
#等价于
np.mean(a)
#求和
a.sum()

#正态分布
np.random.normal( size =(3,5))#normal正态分布
等等内容可以直接下载jupyter文件查看学习：
https://download.csdn.net/download/weixin_43808138/81761570