Numpy入门
Numpy支持大量的维度数组与矩阵运算，也针对数组运算提供了大量的数学函数库。
包含内容：
1️⃣一个强大的 N 维数组对象ndarray；
2️⃣广播功能函数；
3️⃣整合C/C++/Fortran代码的工具；
4️⃣线性代数、傅里叶变换、随机数生成等功能。
一、NumPy 应用
NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。
SciPy 是一个开源的 Python 算法库和数学工具包。
SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API）。
二、Ndarray对象
ndarray是一系列同类型数据和大小(通常固定大小)的集合，以0下标为开始进行集合中元素的索引。所以ndarray是用来存放同类型数据的多维数组，其中的每个元素在内存中都占有相同大小的存储区域。ndarray内部由以下内容组成：
-
一个指向数据(内存挥着内存映射文件中的一块数据)的指针；
-
数据类型或dtype，描述数组中的固定大小值的格子；
-
一个表示数组形状(shape)的元组，表示每个维度的大小；
这个元组由N个非负整数组成。
-
一个跨度元组(stride)，其中的整数指的是为了前进到当前维度下一个元素需要”跨过“的字节数。
与Python中的其他对象容器一样，可以通过对数组进行索引和切片以及通过ndarray的方法和属性来访问和修改。
不过不同的是，ndarary可以共享相同的数据，因此在一个ndarray中进行修改可能在另一个中可见。也就是说，ndarray可以是另一个ndarray的“view”，它所指的数据由“base”ndarray处理。
⁉️ndarray也可以是Python拥有的内存strings或实现buffer或数组接口的对象的视图。
内部结构示意图：
跨度可以是负数，这样会使数组在内存中向后移动。
创建ndarray：
numpy.array(object, dtype = None, copy = True,order = None, subok = False, ndmin = 0)
参数说明：
object：数组或者嵌套的列表；
dtype：数组元素的数据类型；
cpoy：可选参数，表示数组能否复制，默认True；
order：表示以哪种内存布局创建数组，有三个值可选(C行序列/F列序列/任意方向A)
subok：默认返回一个与基类类型一致的数组；
ndmin：指定生成数组的最小维度。
实例：
import numpy as np
a = np.array([[1, 2], [3, 4]], dtype=complex)
b = np.array([1, 2, 3, 4], ndmin=2)
print(a, type(a))
print("====")
print(b, type(b))
print(b.ndim)
运行结果：
[[1.+0.j 2.+0.j]
[3.+0.j 4.+0.j]] <class 'numpy.ndarray'>
====
[[1 2 3 4]] <class 'numpy.ndarray'>
2
ndarray对象由计算机内存的连续一堆部分组成，并结合索引模式，将每个元素映射到内存块中的每一个位置，内存块以行顺序或列顺序或MATLAB风格来保存元素。
数组的形状指的是数组的行数和列数。Numpy提供了reshape()函数来改变数组的行数和列数。
实例：
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = a.reshape(1, 4)
print(b, b.ndim)
print(b[0][1])
print(a.ndim)
运行结果：
[[1 2 3 4]] 2
2
2
判断数组的维度：判断数组维度
三、Numpy数据类型
Numpy支持的数据类型比Python内置的数据 要多得多。
| 名称 | 类型 |
|---|---|
| bool_ | 布尔数据类型 |
| int_ | 默认的整数类型，类似C语言中long，int32、int64 |
| intc | 和C语言中的int类型一样，一般是int32或者int64 |
| intp | 用于索引的整数类型，类似于C中色ssize_t，一般还是int32或int64 |
| int8 | 一字节相同的8位整数，-128~127 |
| int16 | 两字节(16位)，-32768~32767 |
| int32、int64 | 不多赘述 |
| uint8 | 无符号整数 |
| uint16.unit32、uint64 | 不多赘述 |
| float_ | float64的简写 |
| float16 | 半精度浮点数，包括1个符号位，5个指数位,10个尾数位 |
| float32 | 单精度浮点数，包括1个符号位，8个指数位，23个尾数位 |
| float64 | 双精度浮点数，包括1个符号位，11个指数位，52个尾数位 |
| complex_ | 复数类型，与complex128相同 |
| complex64 | 实部和虚部共享32位的数据类型 |
| complex128 | 同理 |
| str_ | 字符串类型 |
| string_ | 字节串类型 |
数据类型对象（dtype）
dtype对象用来描述与数组对应的内存区域是如何使用的，它从以下几个方面进行了描述：
- 数据类型：整数、浮点数、Python对象
- 数据大小：例如整数用多少字节存储
- 数据字节顺序： 小端法或者大端法
- 在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块部分
- 如果数据类型是子数组，那么它的数据类型是什么
字节顺序是通过数据类型预先设定<或>来决定的。<表示小端法,即最小值存储在最小的地址，也就是低位组放在最前面,>相反。
所以dtype对象除了可以描述数组元素的数据类型、大小、字节顺序外，同时它也可以用来常见结构化数据。比如常见的int64、float32都是dtype对象的实例。
np.dtype(object,align,copy)
参数说明：
object：要转换为的数据类型对象
align：如果为True，填充字段使用类似于C的结构体；
copy：复制dtype对象，如果为False，则是对内置数据类型对象的引用。
实例：
import numpy as np
dt = np.dtype(np.bool_)
print(dt)
运行结果：
bool