numpy

0.1 Numpy介绍

NumPy（Numerical Python）是Python的⼀种开源的数值计算扩展。提供多维数组对象，各种派⽣对象（如掩码数组和矩阵），这种⼯具可⽤来存储和处理⼤型矩阵，⽐Python⾃身的嵌套列表（nested list structure)结构要⾼效的多（该结构也可以⽤来表示矩阵（matrix）），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。

0.1.1 Numpy的特点

提供了强大N维数组类型NDAarray 可以用来存储任意维度的数据;
集成了统计学、科学计算、线性代数、矩阵运算、矢量处理等算法
提供了成熟的⼴播功能和掩码数组运算
提供了强大的随机数⽣成功能

0.2 Numpy安装

安装 NumPy 最简单的方法就是使用 pip 工具：
pip3 install --user numpy scipy matplotlib
–user 选项可以设置只安装在当前的用户下，而不是写入到系统目录。

默认情况使用国外线路，国外太慢，我们使用清华的镜像就可以:
pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

Linux 下安装
Ubuntu & Debian
sudo apt-get install python3-numpy python3-scipy python3-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose

CentOS/Fedora
sudo dnf install numpy scipy python-matplotlib ipython python-pandas sympy python-nose atlas-devel

Mac 系统
Mac 系统的 Homebrew 不包含 NumPy 或其他一些科学计算包，所以可以使用以下方式来安装：
pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

相关链接
NumPy 官网 http://www.numpy.org/
NumPy 源代码：https://github.com/numpy/numpy
SciPy 官网：https://www.scipy.org/
SciPy 源代码：https://github.com/scipy/scipy
Matplotlib 教程：Matplotlib 教程
Matplotlib 官网：https://matplotlib.org/
Matplotlib 源代码：https://github.com/matplotlib/matplotlib

0.2.1安装验证

测试是否安装成功：
import numpy as np
为了使用方便，也为了风格的统一，一般在导入后将 numpy 取一个别名为np

0.3 Numpy数组对象ndarray

0.3.1 ndarray介绍

• 数组（Array）：同类性数据元素按一定顺序有序排列的集合称为数组
• NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列数组叠加组成的N维数组；
• NumPy最核心的数据类型是N维数组(The N-Dimensional Array)ndarry。
• 数组和列表一样，以 0 下标为开始进行索引

ndarray数组示意图：

1. axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
   在一维数组里axis=0表示x轴；
   在二维数组里axis=1表示x轴，axis=0表示y轴；
   在三位数组里axis=0表示z轴，axis=1表示x轴，axis=1表示z轴.
   即：所见即所得。
   axis=0 表示行（实际操作是列）
   axis=1 表示列（实际操作是行）
   

0.3.2. 一维数组、二维数组、三位数组之间的区别

实例：
假设某比赛分A,B,C三个组。每组有参赛者5名，分别来自15个不同的国家。
*一维数组
对于A组来说，一维数组相当于建立一个姓名列表 name =[‘参赛者A1’，‘参赛者A2’，…，‘参赛者A5’],列表里有5个元素，代表五个参赛者。
*二维数组
接着上面的，对于A组来说，二维数组相当于建立一个 姓名-国籍 数组
输出的(5, 2)表示，5行2列。意思是五个参赛者除了姓名属性外，还有国籍属性。有几个属性就有几列。相当于数据库表里的字段，有几个字段数据库表就有几列。
import numpy as np
nameCountry= np.array([[‘参赛者A1’,‘国籍A1’],
[‘参赛者A2’,‘国籍A2’],
[‘参赛者A3’,‘国籍A3’],
[‘参赛者A4’,‘国籍A4’],
[‘参赛者A5’,‘国籍A5’]])
print(nameCountry)
print(nameCountry.shape)
输出为：
[[‘参赛者A1’ ‘国籍A1’]
[‘参赛者A2’ ‘国籍A2’]
[‘参赛者A3’ ‘国籍A3’]
[‘参赛者A4’ ‘国籍A4’]
[‘参赛者A5’ ‘国籍A5’]]
(5, 2)
*三维数组
在上面两个的基础上。每组参赛者都有姓名-国籍属性，有三组，就形成了三维数组。代码如下：
import numpy as np
nameCountrys = np.array([
[[‘参赛者A1’,‘国籍A1’],[‘参赛者A2’,‘国籍A2’],[‘参赛者A3’,‘国籍A3’],[‘参赛者A4’,‘国籍A4’],[‘参赛者A5’,‘国籍A5’]],
[[‘参赛者B1’,‘国籍B1’],[‘参赛者B2’,‘国籍B2’],[‘参赛者B3’,‘国籍B3’],[‘参赛者B4’,‘国籍B4’],[‘参赛者B5’,‘国籍B5’]],
[[‘参赛者C1’,‘国籍C1’],[‘参赛者C2’,‘国籍C2’],[‘参赛者C3’,‘国籍C3’],[‘参赛者C4’,‘国籍C4’],[‘参赛者C5’,‘国籍C5’]]
])
print(nameCountrys)
print(nameCountrys.shape)
输出为：
[[‘参赛者A1’ ‘国籍A1’]
[‘参赛者A2’ ‘国籍A2’]
[‘参赛者A3’ ‘国籍A3’]
[‘参赛者A4’ ‘国籍A4’]
[‘参赛者A5’ ‘国籍A5’]]
(5, 2)
[[[‘参赛者A1’ ‘国籍A1’]
[‘参赛者A2’ ‘国籍A2’]
[‘参赛者A3’ ‘国籍A3’]
[‘参赛者A4’ ‘国籍A4’]
[‘参赛者A5’ ‘国籍A5’]]


[[‘参赛者B1’ ‘国籍B1’]
[‘参赛者B2’ ‘国籍B2’]
[‘参赛者B3’ ‘国籍B3’]
[‘参赛者B4’ ‘国籍B4’]
[‘参赛者B5’ ‘国籍B5’]]


[[‘参赛者C1’ ‘国籍C1’]
[‘参赛者C2’ ‘国籍C2’]
[‘参赛者C3’ ‘国籍C3’]
[‘参赛者C4’ ‘国籍C4’]
[‘参赛者C5’ ‘国籍C5’]]]
(3, 5, 2)


总结：其实一维就是只有一个属性，一种特征；二维就是有多个属性，多个特征；三维即有多组，每组的属性相同。

0.4 ndarray的创建

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：
np.array(object, dtype=None, copy=True) 根据object的维度和值创建数组，默认
复制数据
参数
– object: 一个数组或形状类似数组的结构，如列表等
– dtype: 数据类型


实例 1
import numpy as np
a = np.array([1,2,3])
print (a)
输出结果如下：
[1 2 3]


实例 2
多一个维度
import numpy as np
a = np.array([[1, 2], [3, 4]])
print