numpy数组库

导入numpy包：

import numpy as np

一.数组基础

1.1数据类型

（1）整型数组和浮点型数组

列表有个缺点，即其中可以容纳不同的数据类型，numpy数组则克服了这个缺点，以达到节约内存的目的

import numpy as np
# 创建整型数组
arr1 = np.array([1, 2, 3])
# 创建浮点型数组
arr2 = np.array([1.0, 2, 3])
print(f'{arr1}\n{arr2}')

用print输出后，元素之间没有逗号，好处就是可以和python的列表分开，也可以避免小数点和逗号之间的混淆

（2）同化定理

往浮点数组里插入整数，该整数会被自动升级为浮点数
往整型数组里插入浮点数，该浮点数会被自动截断为整数（不四舍五入）
好理解，不做代码示例

（3）共同改变定理

想将一个整型数组转换成浮点型数组，就需要共同改变
规范的方法是用到.astype()方法

import numpy as np
# 创建整型数组
arr1 = np.array([1, 2, 3])
# 转换成浮点型数组
arr2 = arr1.astype(float)
print(f'{arr1}\n{arr2}')

结果与上面一致
除了用到方法外，再运算过程中，整型数组往往会不经意间升级成浮点型数组，但是浮点型数组一般比较难降级

import numpy as np
# 创建整型数组
arr1 = np.array([1, 2, 3])
# 运算中升级成浮点型数组
print(arr1+0.0)
print(arr1*1.0)
print(arr1/1)  # 整型数组作除法运算都会转换成浮点型（即便是除以整数）
arr2 = np.array([1.0, 2.0, 3.0])
print(arr1+arr2)

以上的方法都可在运算中将整型数组升级为浮点型数组

1.2数组维度

（1）一维数组和二维数组

不同维度之间从外形上的区别：

n维数组用n个中括号表示

不同维度数组的形状参数：

一维数组的形状参数形如：x或(x,)
二维数组的形状参数形如：(x,y)
三维数组的形状参数形如：(x,y,z)

可以用np.ones()函数造数组，后面有讲到

import numpy as np
# 造1 2 3维数组
arr1 = np.ones(3)
arr2 = np.ones((1, 3))
arr3 = np.ones((1, 1, 3))
print(arr1)
print(arr2)
print(arr3)

可以用.shape方法查看形状

import numpy as np
# 造1 2 3维数组
arr1 = np.ones(3)
arr2 = np.ones((1, 3))
arr3 = np.ones((1, 1, 3))
print(arr1.shape)
print(arr2.shape)
print(arr3.shape)

（2）不同维度数组的转换

不同维度的数组再很多时候不能在同一个函数出现，所以需要转换数组的维度
可以使用.reshape的方法，该方法需要传入重塑后的形状（shape）参数
神奇的是，给定了其他维度的数值，剩下一个维度可以填-1，它可以自己计算
如下演示一维数组升级为二维数组：

import numpy as np
arr1 = np.arange(10)
arr2 = arr1.reshape((2, -1))
print(arr1)
print(arr2)

如下演示将二维数组降为一维数组：

import numpy as np
arr1 = np.arange(10).reshape(2, -1)
arr2 = arr1.reshape(-1)
print(arr1)
print(arr2)

形状参数中的-1，表示让它自己算，但是不能出现多个-1
可以将一维数组称为向量，二维数组称为矩阵

二.数组的创建

2.1创建指定数组

当知道数组中的每一个元素时，可以使用np.array()函数，将python列表转换为numpy数组
如下为代码示例：

import numpy as np
# 创建一维数组——向量
arr1 = np.array([1, 2, 3])
# 创建二维数组——行矩阵
arr2 = np.array([[1, 2, 3]])
# 创建二维数组——列矩阵
arr3 = np.array([[1], [2], [3]])
# 创建二维数组——矩阵
arr4 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
print(arr2)
print(arr3)
print(arr4)

2.2创建递增数组

递增数组用np.arange()函数创建（arange的全称是array_range）

import numpy as np
# 创建一个从0到10（不包括）的递增数组
arr1 = np.arange(10)
print(arr1)
# 创建一个从10到20（不包括）的递增数组
arr2 = np.arange(10, 20)
print(arr2)
# 创建一个从10到20（不包括）,步长为2的递增数组
arr3 = np.arange(10, 20, 2)
print(arr3)

2.3创建同值数组

可以用np.zeros()以及np.ones()函数创建同值数组

import numpy as np
# 创建形状为3同0数组
arr1 = np.zeros(3)
print(arr1)
# 创建形状为(1, 3)同1数组
arr2 = np.ones((1, 3))
print(arr2)
# 创建形状为(2, 3)同3.14数组
arr3 = 3.14*np.ones((2, 3))
print(arr3)

可以注意到输出的是浮点型数组，可能是因为避免被插进去的浮点数被折断

2.4创建随机数组

可以使用np.random系列函数

import numpy as np
# 创建0-1均匀分布的浮点型随机数组
arr1 = np.random.random(5)  # 形状为5的向量
print(arr1)
# 创建60-100范围内均匀分布的三行三列随机数组
arr2 = 40*np.random.random((3, 3)) + 60  # 前面代表区间为（0, 40）,后面代表区间加60
print(arr2)
# 创建随机整型数组
arr3 = np.random.randint(10, 100, (2, 3))
print(arr3)
# 服从正态分布的随机数组
arr4 = np.random.normal(0, 1, (2, 3))  # 第一个位置参数是均值，第二个是标准差，第三个是形状
print(arr4)
# 当为0-1正态分布时，这种情况可以直接换为
arr5 = np.random.randn(2, 3)
print(arr5)

三.数组的索引

3.1访问数组元素

与列表一致，访问时使用中括号，索引从0开始

（1）访问向量

import numpy as np
arr1 = np.arange(1, 10)
# 可以正向访问，也可以反向访问
print(arr1[3])
print(arr1[-1])
# 修改数组元素
arr1[5] = 100
print(arr1)

（2）访问矩阵

import numpy as np
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
# 访问元素
print(arr1[0, 2])
print(arr1[1, -2])
# 修改元素
arr1[1,-1] = 100
print(arr1)

3.2花式索引

与原索引不同，有两层中括号

（1）向量的花式索引

import numpy as np
arr1 = np.arange(0, 90, 10)
print(arr1[[0, 2]])

（2）矩阵的花式索引

表现形式为[[行], [列]]

import numpy as np
arr2 = np.arange(1, 17).reshape(4, 4)
print(arr2)
print(arr2[[0, 1, 2], [1, 1, 1]])
print(arr2[[0, 1, 2], [2, 1, 0]])

从以上实例可以看出，花式索引也就是用向量替代普通索引的行列元素，且花式索引输出的任然是一个向量

3.3访问数组切片

（1）向量的切片

和python中序列切片一样

import numpy as np
arr2 = np.arange(1, 10)
print(arr2[1: -1])
print(arr2[1: 6])
print(arr2[1: -1: 2])

可以有两种理解，一是切出来从a到b（不包括）的数组，二是去掉a前和b（包括）后的数组

（2）矩阵的切片

可以理解为从一个矩阵中切出另一个矩阵

import numpy as np
arr2 = np.arange(1, 17).reshape(4, 4)
print(arr2)
print(arr2[1: 3, 1: -1])
# 跳跃切片
print(arr2[::2, ::2])
print(arr2[::3, ::3])

（3）提取矩阵的行

import numpy as np
arr2 = np.arange(1, 17).reshape(4, 4)
print(arr2[2, :])
print(arr2[2])  # 提取行的时候可以简写，但是提取列不行
print(arr2[1: 3, :])

（4）提取矩阵的列

import numpy as np
arr2 = np.arange(1, 17).reshape(4, 4)
print(arr2[:, 2])
print(arr2[:, 1: 3])

当提取单独一行列的时候，输出的是向量，为了节省空间，列矩阵更消耗空间，因为列矩阵有两层中括号
如果想把向量转换成列矩阵也有办法

import numpy as np
arr2 = np.arange(1, 17).reshape(4, 4)
arr3 = arr2[:, 2].reshape((1, -1))
print(arr3.T)  # 转置操作，.T只对矩阵生效

3.4数组切片仅视图

（1）数组切片仅视图

换言之，numpy数组并不会创建新的变量，对其切片进行修改也是对原数组的修改

import numpy as np
arr1 = np.arange(1, 10)
print(arr1)
cut = arr1[:3]
cut[0] = 100
print(cut)
print(arr1)

这个设定是极好的，因为不用创建新的变量，可以大大节省内存

（2）备份切片为新变量

如果真的需要，可以用.copy()的方法

cut = arr1[:3].copy()

对其修改不会影响原数组

3.5数组赋值仅是绑定

（1）数组赋值仅是绑定

和切片一样，数组之间的赋值不会创建新变量，只是将它们绑定在一起

import numpy as np
arr1 = np.arange(1, 10)
arr2 = arr1
print(arr1)
arr2[0] = 100
print(arr1)
print(arr2)

（2）复制数组为新变量

跟前面一样，用.copy()方法，可以将他们进行独立

四.数组的变形