Numpy库入门

数据的维度

维度：一组数据的组织形式。
一维数据：由对等关系的有序或无序数据构成，采用线性方式组织，对应列表、数组、集合等概念。

其中：
列表和数组：
都是一组数据的有序结构。
二者区别：
列表的数据类型可以不同，数组的数据类型必须相同。

二维数据：由多个一维数据构成，是一维数据的组合形式。表格是典型的二维数据，其中，表头是二维数据的一部分。例如：列表元素是列表。

多维数据：由一维数据或者二维数据在新维度上扩展形成。

高维数据：仅利用最基本的二元关系展示数据间的复杂结构，利用键值对组织数据。例如：字典。

NumPy的数组对象：ndarray

概述

NumPy是SciPy、Pandas等数据处理或科学计算库的基础。
ndarray是一个多维数组对象，由两部分构成：
1、实际存储的数据
2、描述这些数据的元数据（数据维度、数据类型）。

ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始。

轴（axis）：保存数据的维度
秩（rank）：轴的数量

Numpy的引用

import numpy as np
其中，np 是指引入模块的别名，尽管别名可以省略或更改，建议使用上述约定的别名。如果使用numpy会麻烦，代码变长，倘若使用其它的别名，他人不熟悉，所以numpy就为np。

为什么有了列表类型还需要引入N维数组？

（N维数组对象：ndarray）
1.数组对象可以去掉元素间运算所需的循环，使得一维向量更像单个数据。
2.设置专门的数组对象，经过优化，可以提升这类应用的运算速度。（numpy底层是C，可以提供高效的运算）
3.观察：科学计算中，一个维度所有数据的类型往往相同，数组对象采用相同的数据类型，有助于节省运算和存储空间。

def pySum():
    a = [0,1,2,3,4]
    b = [5,6,7,8,9]
    c = a + b
    return c
    
print(pySum())


结果如下：
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

def pySum():
    a = [0,1,2,3,4]
    b = [5,6,7,8,9]
    c = []
    for i in range(len(a)):
        c.append(a[i]+b[i])   
    return c

print(pySum())


结果如下：
[5, 7, 9, 11, 13]

import numpy as np
def npSum():
    a = np.array([0,1,2,3,4])
    b = np.array([5,6,7,8,9])
    c = a + b
    return c

print(npSum())


结果如下：
[ 5  7  9 11 13]

ndarray对象的属性

.ndim：秩，即轴的数量或者维度的数量
.shape：ndarray对象的尺度，对于矩阵，n行m列
.size：ndarray对象元素的个数，相当于.shape中n*m的值
.dtype：ndarray对象的元素类型
.itemsize：ndarray对象每个元素的大小，以字节为单位

a = np.array([[1,2,3],[4,5,6]])
#生成的矩阵实际上是这样的：
#						 1 2 3
#						 4 5 6 
a.ndim
2      #有两个维度

a.shape
(2, 3)   #两行三列

a.size    
6     #共有 2*3 = 6 个元素

a.dtype
dtype('int32')    #元素类型是32位整型

a.itemsize
4     #每个元素的大小为4个字节

ndarray的元素类型

ndarray为什么要支持这么多种元素类型呢？

（Python语法仅支持整数、浮点数和复数3种类型）

1.科学计算涉及数据较多，对存储和性能都有较高要求。
2.对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能。
3.对元素类型精细定义，有助于程序员对程序规模有合理评估。

非同质的ndarray对象

ndarray数组可以由非同质对象构成。
非同质ndarray元素为对象类型(dtype = object)。
非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用。

ndarray数组的创建

（一）从Python中的列表、元组等类型创建ndarray数组

x = np.array(list/tuple) 
x = np.array(list/tuple, dtype=np.float32)
#当不指定 dtype 时，NumPy将根据数据情况关联一个dtype类型

x = np.array([0,1,2,3])	#从列表类型创建
print(x)

结果：
[0 1 2 3]
#-----------------------------------------------------
x = np.array((7,8,9,10))	#从元组类型创建
print(x)

结果：
[ 7  8  9 10]
#-----------------------------------------------------
x = np.array([[1,2],[3,4],(5.,6.)])	#从列表和元组混合类型创建
print(x)

结果：
[[1. 2.]
 [3. 4.]
 [5. 6.]]

（二）使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等

np.arange(n) ：类似range()函数，返回ndarray类型，元素从0到n‐1
np.ones(shape) ：根据shape生成一个全1数组，shape是元组类型
np.zeros(shape) ：根据shape生成一个全0数组，shape是元组类型
np.full(shape,val) ：根据shape生成一个数组，每个元素值都是val
np.eye(n) ：创建一个正方的n*n单位矩阵，对角线为1，其余为0

np.ones_like(a) ：根据数组a的形状生成一个全1数组
np.zeros_like(a) ：根据数组a的形状生成一个全0数组
np.full_like(a,val) ：根据数组a的形状生成一个数组，每个元素值都是val

In [27]：np.arange(10)
Out[27]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
#------------------------------------------------------------
In [28]：np.ones((3,6))
Out[28]: 
array([[1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.]])
#------------------------------------------------------------
In [29]：np.zeros((5,5),dtype = np.int32)
Out[29]: 
array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])
#------------------------------------------------------------
In [30]：np.full((3,4),2)
Out[30]: 
array([[2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2]])
#------------------------------------------------------------
In [31]：np.eye(5)
Out[31]: 
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0