Numpy用法总结

1、数组存储与加载

在numpy中函数loadtxt、函数savetxt可以存储在python文件中生成的list等数据类型，对于函数中要使用的数据库特征提取特别友好。

2、数组常见属性

ndim：返回的是该数组的维度，一维/二维/三维/多维
shape：返回的都是数组各维度的具体size，在二维图像的操作中比较常见。
dtype：用来设定numpy中的数据类型，常常用于数组初始化过程，如：

feature = np.zeros((3,128),dtype=np.float32)

除此之外dtype 也可用于查看数据类型
astype：用于转换数据类型
flags：可以用来看数组按行或按列排列

  array = np.array([[2,3],[4,5]])
  array.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

3、 numpy的常见函数

3.1 np.ascontiguousarray()

主要知识点在于加速numpy array的与运算速度，ascontiguousarray函数将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快。可以见从Numpy中的ascontiguousarray说起

np.array 与 np.asarray 都可以将结构数据转化为ndarray，主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。

3.2 np中shuffle与permutation的区别

函数np.shuffle与np.permutation都是对原来的数组进行重新洗牌（即随机打乱原来的元素顺序），区别在于：shuffle直接在原来的数组上进行操作，改变原来数组的顺序，无返回值。而permutation不直接在原来的数组上进行操作，而是返回一个新的打乱顺序的数组，并不改变原来的数组。
有点类似于上一个array与asarray的区别。

3.3 array的遍历与查找

import numpy as np
arr = np.asarray([[1,2,3],[4,5,6]])
for row in arr:
    print('---- row ----',row)
for element in arr.flat:
    print('---- element ----', element)
>>> np.where(arrat>3)
(array([1, 1], dtype=int64), array([0, 1], dtype=int64))

直接遍历是按行进行输出的，赋予数组flats属性之后则是按元素进行输出。在查找具体元素时按照np.where的语法规则进行查找。

 arr = np.array([[2,3],[4,5]])
 np.where(arr>3)
(array([1, 1], dtype=int64), array([0, 1], dtype=int64))