numpy 基础使用
NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。
首先引入numpy库
import numpy as np
ndarray
NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。
ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。
从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。 下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。
ndarray常用属性：
| 属性 | 含义 |
|---|---|
ndim |
维度（轴）的个数 |
shape |
维度，轴，形状大小 |
size |
元素的总个数 |
dtype |
元素的数据类型 |
itemsize |
元素的字节大小 |
num = np.random.randn(2,3)
print(num)
print("数据类型：", type(num))
print("维度个数：", num.ndim) # 行数
print("维度大小（n,m）：", num.shape)
print("元素总个数：", num.size)
print("元素的数据类型：", num.dtype)
print("元素的字节大小：", num.itemsize)
array函数
array具有以下功能：
- 将任意的序列对象转换为数组
- 支持将特定的嵌套序列转换为高维数组
- 自动推断生成的数据类型
# 将列表转为数组类型
num1 = np.array([1,2,34])
num2 = np.array([
[1,2, 34],
[34, 2, 1]
])
# 设置元素类型
num3 = np.array([
[1,2,34],
[34,2,1]
], dtype='float32')
print(num1)
print(num2)
print(num3)
zeros函数
用法与array函数相似。创建全0数组，默认元素类型是浮点数类型；使用元组指定创建数组的形状。
# 创建 3行4列的全0矩阵
num = np.zeros((3,4))
print(num)
ones函数
与zeros函数一样，只不过是创建全0数组，默认元素类型是浮点数。
# 创建 3行4列的全1矩阵
num = np.ones((3,4))
print(num)
empty函数
创建一个未初始化的数组。元素为内存中不确定值。
# 创建 3行4列的全1矩阵
num = np.empty((3,4))
print(num)
arange函数
arange()类似于python的内置函数range()，通过指定开始值、终值和步长来创建表示等差数列的一维数组，返回给定间隔内的均匀间隔值，注意得到的结果数组不包含终值。
arange()函数有四个个参数，分别是start（开始值）、stop（终值）、step（步长）和dtype（数组类型）。
开始值可选，默认值是0，包含在数组中。
终止值必选，不包含在数组中。
步长可选，默认是1。
# 长度为0到9
num1 = np.arange(10)
print(num1)
# 长度为0到9的偶数
num2 = np.arange(0, 10,2)
print(num2)
# 长度为0到9的奇数
num3 = np.arange(1,10,2)
print(num3)
其他函数
asarray函数：类似array函数，但若转换对象为数组时，仅创 建一个引用，而array为深拷贝。ones_like函数：创建一个与指定数组相同形状的全1数组。zeros_like函数：创建一个与指定数组相同形状的全0数组。empty_like函数：创建一个与指定数组相同形状的未初始化数组。
数据类型
| Numpy 的类型 | C 的类型 | 描述 |
|---|---|---|
| np.int8 | int8_t | 字节（-128到127） |
| np.int16 | int16_t | 整数（-32768至32767） |
| np.int32 | int32_t | 整数（-2147483648至2147483647） |
| np.int64 | int64_t | 整数（-9223372036854775808至9223372036854775807） |
| np.uint8 | uint8_t | 无符号整数（0到255） |
| np.uint16 | uint16_t | 无符号整数（0到65535） |
| np.uint32 | uint32_t | 无符号整数（0到4294967295） |
| np.uint64 | uint64_t | 无符号整数（0到18446744073709551615） |
| np.intp | intptr_t | 用于索引的整数，通常与索引相同 ssize_t |
| np.uintp | uintptr_t | 整数大到足以容纳指针 |
| np.float32 | float | |
| np.float64 / np.float_ | double | 请注意，这与内置python float的精度相匹配。 |
| np.complex64 | float complex | 复数，由两个32位浮点数（实数和虚数组件）表示 |
| np.complex128 / np.complex_ | double complex | 请注意，这与内置python 复合体的精度相匹配。 |
还有许多别名等，详情看：数据类型 | NumPy
数据类型的表示
既可以用类型本身，如np.int32，也可以用类型名称字符串，例如int32，还可以用类型代码字符串，例如i4。
类型转换
使用astype方法进行数组之间的类型转换。
默认生成一个新数组。
num = np.arange(1,10,1.5)
print(num)
num1 = num.astype(int)
print(num1)
数组运算
-
相同形状的数组之间的运算逐元素执行。
-
数组与标量间的运算，将计算参数传递给 数组的每一个元素。
num1 = np.array([1, 2, 3])
num2 = np.array([3, 4, 5])
# 相同形状的数组之间的运算逐元素执行。
print(num1 + num2)
# 数组与标量间的运算，将计算参数传递给 数组的每一个元素。
print(num1 + 100)
Python之Numpy详细教程_python numpy-CSDN博客
NumPy 介绍 | NumPy