tags:
- 第四章 NumPy基础：数组和矢量计算
- NumPy的ndarray:一种多维数组对象
NumPy的ndarray:一种多维数组对象
创建ndarray
1.使用array函数。它接受一切序列型的对象（包括其他数组），然后产生一个新的含有掺入数据的NumPy数组。以一个列表的转换为例：
2.嵌套序列，比如一组等长列表组成的列表，将会被转换成为一个多维数组：
ndarray.ndim¶
数组维数。
ndarray.shape¶
Tuple of array dimensions.
3.除了显示说明，np.arry会尝试为新建的这个数组推断出一个较为合适的数据类型。数据类型保存在dtype对象中。
4.除np.array外，可以新建数组的函数：
*zeros：创建指定长度或形状(shape)的全0数组
*ones：创建指定长度或形状的全1数组
*empty：创建一个没有任何具体值得数组(应该除了随机值需求不是很好用)
xxx((a,b,c,d,^,z))字母表示任意数字,最后一个值(z)是最内层元素个数（长度），倒数第n个值表示前一个子单位的个数
5.arrange是Python内置函数range的数组版
| 函数 | 说明 |
|---|---|
| array | 1.将输入数据转换为ndarray；2.指定dtype或默认推断出一个合适的dtype;3.默认直接复制输入数据 |
| asarray | 1.将输入数据转换为ndarray；2.如果输入本身就是ndarray不进行复制 |
| arange | 类似于内置的range，但返回的是一个ndarray对象而不是列表 |
| ones_like/zeros_like/empty_like | 以另一个数组为参数，并根据其形状和dtype创建一个全1/全0/全随机的数组 |
| eye/identity | 创建正方形对角线为1，其他全0的矩阵，eye一些属性可以改变这条对角线 |
ndarray的数据类型
1.通过'ndarray.astype'的方法显示转换数据类型(detype);
注意*浮点数转整数会失效
从NumPy 1.9开始，astype方法现在返回一个错误，如果要转换为的字符串dtype在“安全”转换模式下不够长，以保持正在转换的整数/浮点数组的最大值。以前，即使结果被截断，也允许进行转换。
*可以转换成其他变量的dtype
调用astype无论如何都会创建出一个新数组，即使dtype和老数据相同也是。
数组和标量之间的运算
NumPy中的数组可以不用编写循环即可以对数据执行执行批量运算。这通常就叫做矢量化。
基本的索引和切片
*一维数组和Python列表功能类似。但是。
不同1：当你给一个标量赋值给一个切片是（arr[5:8]=12),该值会自动传播（广播）到整个选区
python中不允许这样赋值
不同2：跟列表最重要的区别在于，数组切片是原始数组的视图。这意味着数据不会被赋值，视图上的任何修改都会直接反映到源数组上：
！！！完全是不一样的逻辑，有一种嫁鸡随鸡嫁狗随狗一辈子相依为命的感觉。
虽然惊讶，但是这是由于NumPyde 的设计目的是处理大数据，如果NumPy坚持要将数据复制来复制去会产生很大的性能和内存问题。（arr[5:8].copy可以解决如果不想要这种随之改变的效果，这里即arr_slice=arr[5:8].copy())
*之后感受一下二维数组的操作：
arr2d[0,2] 用法等价于 arr2d[0][2],但是前者更简单
*多维数组，如果省略了后面的索引，则返回对象会是一个维度第一点（低一个维度）的ndarray。返回的低维数组含有原始高维数组某条轴上的所有数据。（括号外面的“维度”是一维、二维、三维、四维之类的意思，二括号面的应该理解为“轴”）
切片索引
ndarray的切片语法和Python列表这样的以为对象差不多。
高纬度更多花样，可以在一个或多个轴上进行切片，也可以跟帧数索引混合使用。
** 布尔型索引**
这里可以看出目前版本负号的用法已经不可以了，另外这里&、|之类的布尔运算都有效，但是Python关键字and和or是在布尔类型数组中是无效的。
花式索引
花式索引是一个NumPy术语，它指的是利用整数数组进行索引。
numpy.reshape(a, newshape, order='C')[source]¶
Gives a new shape to an array without changing its data.
arr=np.arange(32).reshape((8,4))
arr
Out[2]:
array([[ 0, 1, 2, 3],#0
[ 4, 5, 6, 7],#1
[ 8, 9, 10, 11],#2
[12, 13, 14, 15],#3
[16, 17, 18, 19],#4
[20, 21, 22, 23],#5
[24, 25, 26, 27],#6
[28, 29, 30, 31]])#7
arr[[1,5,7,2],[0,3,1,2]]
Out[6]: array([ 4, 23, 29, 10])#即最终选出了（1,0）、（5,3）、（7,1）、（2,2）
想要得到矩阵的子集也是一个矩形区域，可以：
**花式索引和切片不同，它总是将数据复制到新数组中
数组专职和轴对换
array.T：转置（轴对换）
np.dot(a,b):array 'a'、'b'的矩阵内积
ndarray.transpose（*轴）¶
返回轴转置的数组视图。
对于1-D阵列，这没有任何影响。（要在列向量和行向量之间切换，首先将1-D数组转换为矩阵对象。）对于2-D数组，这是通常的矩阵转置。对于nD阵列，如果给出轴，则它们的顺序表示轴的置换方式（参见示例）。如果没有提供轴 ，那么。
a.shape = (i[0], i[1], ... i[n-2], i[n-1]) a.transpose().shape = (i[n-1], i[n-2], ... i[1], i[0])
| 参数： |
axis：无，int的元组或n int
- 无参数或无参数：反转轴的顺序。
- 整数的元组：我在Ĵ在元组第地方意味着一个的 我个轴变为a.transpose（）的Ĵ个轴。
- n int：与相同整数的n元组相同（此形式仅作为元组形式的“便利”替代）
所以arr.transpose((1,0,2))等于只是0,1轴置换
In [59]: arr1 = np.arange(12).reshape(2,2,3)
In [60]: arr1
Out[60]:
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
In [61]: arr1.shape #看形状
Out[61]: (2, 2, 3) #说明这是一个2*2*3的数组（矩阵），返回的是一个元组，可以对元组进行索引，也就是0,1,2
In [62]: arr1.transpose((1,0,2))
Out[62]:
array([[[ 0, 1, 2],
[ 6, 7, 8]],
[[ 3, 4, 5],
[ 9, 10, 11]]])
ndarray.swapaxes(axis1, axis2)¶
Return a view of the array with axis1 and axis2 interchanged.