numpy
numpy是一个开源的python科学计算库，使用ndarray对象处理任意维度的数组
1.ndarray相对原生python列表优势：
1.内存块存储优势：ndarray在存储元素是内存连续，而python原生list存储元素是选择元素外置的形式，查找时通过寻址方式找到下一个元素，在科学计算时，ndarray的速度快于list。
2.ndarray支持并行化运算（向量化运算）
3.numpy底层编写使用c语言，内部解除了GIL（全局解释锁）
2.ndarray的属性：
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
a
array([[1, 2, 3],
[4, 5, 6]])
ndarray.shape 数组维度的元组
a.shape
(2, 3)
ndarray.ndim数组维数
a.ndim
2
ndarray.size 数组众元素的数量
a.size
6
ndarray.itemsize 一个数组元素的长度（字节）
a.itemsize
4
ndarray.dtype 数组元素的类型
a.dtype
dtype('int32')
3.创建数组的时候指定 数组 类型
a = np.array([[1, 2, 3],[4, 5, 6]], dtype=np.float32)
a.dtype
dtype('float32')
4.astype方法显式地转换其dtype类型
a.astype(np.int64)
array([[1, 2, 3],
[4, 5, 6]], dtype=int64)
5. 生成数组的方法
1 生成0和1的数组
np.ones([3,4])
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
np.zeros([3,4])
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
2.从现有数组生成
b = np.array(a)
c = np.copy(a)
d = np.asarray(a)
array([[1, 2, 3],
[4, 5, 6]], dtype=int64)
当改变a中元素时，b,c中元素不改变，d中元素也随之改变
b,c相当于深拷贝，d相当于浅拷贝
3.生成固定范围的数组
np.linspace(start,stop,num,endpoint,retstep,dtype)
start 序列的起始值 stop 序列的终止值，
如果endpoint为true，该值包含于序列中
num 要生成的等间隔样例数量，默认为50
endpoint 序列中是否包含stop值，默认为ture
retstep 如果为true，返回样例，以及连续数字之间的步长
dtype 输出ndarray的数据类型
np.linspace(0,100,10)
array([ 0. , 11.11111111, 22.22222222, 33.33333333,
44.44444444, 55.55555556, 66.66666667, 77.77777778,
88.88888889, 100. ])
numpy.arange(start,stop, step, dtype)
np.arange(0,100,10)
array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])
4 生成随机数组
均匀分布：
np.random.rand(d0, d1, ..., dn)
返回[0.0，1.0)内的一组均匀分布的数。
np.random.uniform(ow=0.0, high=1.0, size=None)
从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.
size: 输出样本数目，为int或元组(tuple)类型
返回值：ndarray类型，其形状和参数size中描述一致。
np.random.randint(low, high=None, size=None, dtype='l')
从一个均匀分布中随机采样，生成一个整数或N维整数数组，取数范围：若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。
正态分布：
np.ramdom.randn(d0, d1, …, dn)
功能：从标准正态分布中返回一个或多个样本值
np.random.normal(loc=0.0, scale=1.0, size=None)
loc：float 此概率分布的均值（对应着整个分布的中心centre）
scale：float 此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints 输出的shape，默认为None，只输出一个值
np.random.standard_normal(size=None)
返回指定形状的标准正态分布的数组。
5.数组的索引、切片 先行后列
a[0][1] 或a[0,1] 单个
2
a[0][1:3] 或a[0,1:3] 多个
array([2, 3], dtype=int64)
6.形状修改
ndarray.reshape(shape[, order])
a.reshape([3,2]) 只是将形状进行了修改，但并没有将行列进行转换
array([[ 1, 2],
[ 3, 4],
[100, 6]], dtype=int64)
a.reshape([-1,3]) 数组的形状被修改为:[-1,3], -1: 表示通过待计算,确定好了列，行通过计算，自动得到，但列也必须能和行相乘，等于元素总数。
array([[ 1, 2, 3],
[ 4, 100, 6]], dtype=int64)
ndarray.T 数组的转置
将数组的行、列进行互换
a.T
array([[ 1, 4],
[ 2, 100],
[ 3, 6]], dtype=int64)
ndarray.resize(new_shape[, refcheck]) ,直接修改原数组形状
a.resize([3,2])
a
array([[ 1, 2],
[ 3, 4],
[100, 6]], dtype=int64)
7.ndarray对象转化为其它类型对象
a.tostring(),a.tobytes(),a.tolist()
type(a)
numpy.ndarray
b = a.tobytes()
type(b)
bytes
8.数组的去重,变为一维的ndarray对象
ndarray.unique（）
a[0,0] = 2
a
np.unique(a)
array([ 2, 3, 4, 6, 100], dtype=int64)
9.ndarray运算
逻辑运算
a > 3
array([[False, False],
[False, True],
[ True, True]])
通用判断函数
np.all(),只要有一个false，返回false，全是True,就返回True
np.all(a>3)
False
np.any()只要有一个true，返回true，全是False,就返回False
np.any(a>3)
True
np.where 三元运算符
np.where(a>3,1111111111,0)
array([[ 0, 0],
[ 0, 1111111111],
[1111111111, 1111111111]])
进行复合逻辑，联合np.logical_and和np.logical_or
np.where(np.logical_and(a>3,a<5),222,0),在数组a中，大于3并且小于5的换为222，其它0.
array([[ 0, 0],
[ 0, 222],
[ 0, 0]])
统计运算
np.min(a[, axis, keepdims]
axis=0/1 按行，还是按列
keedims=true:保存矩阵的二维特性
a
array([[ 2, 2],
[ 3, 4],
[100, 6]], dtype=int64)
np.min(a) 数组中最小元素
2
np.min(a,axis=0) 每列最小，跨行
array([2, 2], dtype=int64)
np.min(a,axis=1) 每行最小，跨列
array([2, 3, 6], dtype=int64)
max mean median var std同理
返回最大值、最小值所在位置，若有axis，则返回一维ndarray对象，记录每行或者每列中最大值或者最小值的下标位置。
np.argmax()
np.argmax(a,axis=0) 按每列，跨行
array([2, 2], dtype=int64)
np.argmax(a,axis=1) 按每行，跨列
array([0, 1, 0], dtype=int64)
np.argmin()同理
10.数组间的运算：
数组与数的运算
a*10
array([[ 20, 20],
[ 30, 40],
[1000, 60]], dtype=int64)
数组与数组的运算
广播机制：只有在以下情况，两个数组才能够进行数组与数组的运算。
维度相等：相同维度，元素数量一致。
shape（其中相对应的一个地方为1）
a.shape
(3, 2)
b.shape
(3,1)
a+b
array([[ 3, 3],
[ 4, 5],
[101, 7]], dtype=int64)
矩阵运算：
矩阵，英文matrix，矩阵 一定是 二维数组，二维数组 不一定是 矩阵
矩阵乘法
形状要求
A(m, n) * B(n, l) = AB(m, l)
运算规则
A(2, 3) * B(3, 2) = AB(2, 2)
二维数组转化为矩阵：
np.mat()
a_mat = np.mat(a)
b_mat= np.mat(b)
a_mat * b_mat
matrix([[ 4, 4, 4, 4],
[ 7, 7, 7, 7],
[106, 106, 106, 106]], dtype=int64)
直接使用np.dot()/np.matmul(),进行二维数组矩阵乘法运算
np.dot(a,b)
array([[ 4, 4, 4, 4],
[ 7, 7, 7, 7],
[106, 106, 106, 106]], dtype=int64)
使用@，也能使二维数组进行矩阵乘法运算
a @ b
array([[ 4, 4, 4, 4],
[ 7, 7, 7, 7],
[106, 106, 106, 106]], dtype=int64)
11.合并与分割
水平拼接
np.hstack()
np.hstack((a,b)) a,b行数相等
array([[ 2, 2, 1, 1, 1, 1],
[ 3, 4, 1, 1, 1, 1],
[100, 6, 1, 1, 1, 1]], dtype=int64)
竖直拼接
np.vstack() a,b行数相等
np.concatenate((a1, a2), axis=)
axis=1时候，按照数组的列方向拼接在一起， a,b行数相等
axis=0时候，按照数组的行方向拼接在一起 a,b列数相等
分割
np.split(ary, indices_or_sections, axis=0)
ary：分割数组对象
indices_or_sections：整数：分为几分，列表：列表中的元素作为边界
axis=0/1:按行方向还是按列方向
np.split(a,2,axis=1)
[array([[ 2],
[ 3],
[100]], dtype=int64), array([[2],
[4],
[6]], dtype=int64)]
x = np.arange(8.0)
array([0.,1.,2.,3.,4.,5.,6.,7.])
>>> np.split(x, [3,5,6,10])
[array([0.,1.,2.]), array([3.,4.]), array([5.]), array([6.,7.]), array([], dtype=float64)]