matplotlib可视化实战之一：Numpy基础初识
Numpy库
1、安装与测试
windows中安装，直接进入cmd命令，运行 pip install numpy，安装完后输入 import numpy，如果没报错，说明安装成功，如下图
实际运行过程中，建议在引用numpy时候，输入如下代码
import numpy as np
将numpy 用 np代替，提高diamante可读性和便捷性
2、numpy的使用
（1）创建数组
在numpy库中创建数组可采用如下语句：
numpy.array
该语句表示通过引用numpy库创建了一个ndarray对象。
创建数组对象示例如下：
import numpy as np
a = np.array([1,2,3])
print(a)
上述语句引用了numpy库，然后定义了一个一维数组a，最后将数组输出显示，运行结果如下图
（2）numpy数组参数
在创建数组时，可以加入如下参数
numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0)
参数的含义如下表
| 参数名称 | 参数含义 |
|---|---|
| object | 返回一个数组或序列 |
| dtype | 数组的数据类型 |
| copy | 对象是否被复制 |
| order | 按行或者按列 |
| subok | 返回的数组被强制为基类数组 |
| ndmin | 指定返回数组的最小维数 |
创建一个多维数组，语句如下
import numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a)
执行上述语句结果如下
显示多维数组的数据类型，代码如下
import numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9]],dtype=complex)
print(a)
执行上述语句结果如下
示例中complex类型由实部和虚部组成，下表展示了常见的数据类型
| 数据类型 | 含 义 |
|---|---|
| bool | 布尔 |
| int | 默认整数 |
| int8 | 有符号的8位整数 |
| int16 | 有符号的16位整数 |
| int32 | 有符号的32位整数 |
| int64 | 有符号的64位整数 |
| unit8 | 无符号的8位整数 |
| unit16 | 无符号的16位整数 |
| unit32 | 无符号的32位整数 |
| unit64 | 无符号的64位整数 |
| float16 | 半精度浮点数 |
| float32 | 单精度浮点数 |
| float64 | 双精度浮点数 |
| string | 字符串 |
| complex64 | 复数，两个32位浮点数表示实部和虚部 |
| complex128 | 复数，两个64位浮点数表示实部和虚部 |
（3）ndarray对象的基本属性
在创建了一个数组后，可以查看ndarray对象的基本属性，如下表
| 属性名称 | 属 性 值 |
|---|---|
| shape | 数组中各维度尺度 |
| reshape | 调整数组大小 |
| size | 数组元素的总个数 |
| data | 数组元素在内存中占用字节数 |
| itemsize | 每个元素的字节大小 |
| nbetys | 整个数组所占的存储空间 |
| flages | 返回数组当前值 |
显示多维数组维度，代码如下
import numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a.shape)
执行上述语句结果如下
显示数组每个元素的字节大小，代码如下
import numpy as np
a=np.array([1,2,3,4,5,6,7,8,9],dtype=np.int8)
print(a.itemsize)
上述语句定义了一个数组，显示其字节大小，执行上述语句结果如下
（4）ndarray对象的切片和索引
ndarray对象的内容可以通过索引或切片访问和修改，ndarray对象一般由arange()函数创建，代码如下
a=np.arrange()
如果仅仅提取数组对象的一部分，可通过slice函数构造，代码如下
s=slice()
对象切片代码如下
import numpy as np
a=np.arange(10)
s=slice(1,8,2)
print(a[s])
上述语句定义了一个数组，然后分别用起始、终止和步长切片对象，当这个切片对象传递给ndarray时，会对它的一部分进行切片，运行结果如下图
（5）ndarray对象的线性代数和三角函数
numpy包括numpy.linalg模块，提供线性代数所需要的功能，一些常用模块如下表
| 模块名称 | 模块功能 |
|---|---|
| dot | 计算两个数组的点积 |
| vdot | 计算两个向量的点积 |
| inner | 计算两个数组的内积 |
| determinant | 计算两个数组的矩阵积 |
| solve | 计算数组的行列式 |
| solve | 计算线性矩阵方程 |
| inv | 计算矩阵的乘法拟矩阵 |
| 函数名称 | 函 数 作 用 |
|---|---|
| sin(x[,out]) | 正弦值 |
| cos(x[,out]) | 余弦值 |
| tan(x[,out]) | 正切值 |
| arcsin(x[,out]) | 反正弦 |
| arccos(x[,out]) | 反余弦 |
| arctan(x[,out]) | 反正切 |
计算两个数组的点积，对于一维数组，是向量的内积，对于二维数组，等于矩阵乘法，代码如下
import numpy.matlib
import numpy as np
a=np.array([[1,2],[3,4]])
b=np.array([[10,20],[30,40]])
np.dot(a,b)
print(np.dot(a,b))
matlib表示numpy中的矩阵库，上述语句定义了两个数组a和b，计算这两个数组的点积，点积计算公式如下
[[1*10+2*30,1*20+2*40],[3*10+4*30,3*20+4*40]]
运行结果如下图
