学习numpy
前言
大学学习一直使用matlab处理矩阵，行列式运算，功能强大，但是这么多年基本忘光了。现在推荐算法，数据处理，机器学习，人工智能，数据分析处理在工作中的工作需求越来越大，目前很多有这些方面的需求，需要把相关的东西再拾回来。最近发现numpy，matplotlab，pandas，scipy可以完全替代matlab，而且因为各个模块免费的，网络教程相当丰富既然各个条件都满足，所以决定静下心来好好的复习，学习一下这些东西。首先学习numpy，一周左右弄清所有的概念和使用，会有4-6篇文章。
numpy相关说明：
NumPy 是一个运行速度非常快的数学库，主要用于数组计算。支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，包含：
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
numpy使用pip安装
1, 目前最新版都已经内置pip模块
python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose
2, 检测是否安装成功
>>> import numpy as np
>>> np.__version__
'1.16.3'
3, NumPy Ndarray 对象
ndarray是一个N维，相同类型的数据的组合，每个元素占用相同类型的内存空间，并且以0开始索引。
ndarray 内部由以下内容组成：
- 一个指向数据（内存或内存映射文件中的一块数据）的指针。
- 数据类型或 dtype，描述在数组中的固定大小值的格子。
- 一个表示数组形状（shape）的元组，表示各维度大小的元组。
- 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。
4, 创建ndarray对象
下面通过实例理解：
- 通过列表创建一维ndarray对象：
>>> a = [1,2,3,4]
>>> dt = np.array(a)
>>> print(dt)
[1 2 3 4]
- 通过列表创建二维ndarray对象：
>>> a = [[1,2,3],[4,5,6]]
>>> dt = np.array(a)
>>> print(dt)
[[1 2 3]
[4 5 6]]
- 通过列表创建多维ndarray对象：
>>> a = [[[1,2,3]],[[4,5,6]]]
>>> dt = np.array(a)
>>> print(dt)
[[[1 2 3]]
[[4 5 6]]]
带有类型的ndarray对象
- 通过列表创建带有dtype=float的ndarray对象：
>>> a = [[1,2,3],[4,5,6]]
>>> dt = np.array(a,dtype='float')
>>>
>>> print(dt)
[[1. 2. 3.]
[4. 5. 6.]]
- 通过列表创建带有dtype=float的ndarray对象：
>>> a = [[1,2,3],[4,5,6]]
>>> dt = np.array(a,dtype='complex')
>>> print(dt)
[[1.+0.j 2.+0.j 3.+0.j]
[4.+0.j 5.+0.j 6.+0.j]]
>>>
下面介绍一下上面说的dtype类型
dtype类型和Python中的数据类型一样，用来标识变量类型，不过numpy中的数据类型远比python类型要复杂，我们本章只做简单的介绍，后面会有单独的章节详细介绍。
- 整数类型：（分为有符号和无符号类型）
| 类型名 | 说明 |
|---|---|
| int_ | 默认类型 int32或者int64 |
| int8 | 有符号整数 （-128 到 127） |
| int16 | 有符号整数（-32768 到 32767） |
| int32 | 有符号整数（-2147483648 到2147483647） |
| int64 | 有符号整数（-9223372036854775808 到 9223372036854775807） |
| uint8 | 无符号整数（0 到 255） |
| uint16 | 无符号整数（0 到 65535） |
| uint32 | 无符号整数（0 到 4294967295） |
| uint64 | 无符号整数（0 到 18446744073709551615） |
- 浮点类型
| 类型名 | 说明 |
|---|---|
| float_ | float64的简写类型 |
| 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 | 半精度浮点数，包括：1 个符号位，8 个指数位，32 个尾数位 |
| float64 | 半精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
- 复数类型
| 类型名 | 说明 |
|---|---|
| complex_ | complex128的简写类型，即 128 位复数 |
| complex64 | 表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 表示双 64 位浮点数（实数部分和虚数部分） |
除了数据类型和numpy数组还包括其他属性：
| 属性 | 说明 |
|---|---|
| ndim | 数组维度 |
| size | 数组元素个数 |
| dtype | 数组元素类型 |
| itemsize | 每个元素大小，占用的字节数 |
| shape | 数组的行列个数 |
| nbytes | 属性中所有的元素占用的字节数，不计算数组的开销，数组实际占用空间会大一些 |
| type(dt) | 数组类型 |
eg:
type(dt)
dim = dt.ndim
print(dim)
dtype = dt.dtype
print(dtype)
size = dt.size
print(size)
item = dt.itemsize
print(item)
shape = dt.shape
print(shape)
待续。。。。