Numpy学习（一）—— ndarray 对象

numpy是Python的一个科学计算模块，在numpy中，使用ndarray对象表示数组，它是整个库的核心，numpy中所有的操作都围绕ndarray对象进行处理。
ndarray 是存储单一数据类型的多维数组。

1、创建数组

首先需要创建数组，可以利用array()函数

import numpy as np
a = np.array([1,2,3])
b = np.array([[2,3,4],[3,4,5]])
print (a,b)

结果

array([1,2,3])
array([[2,3,4],[3,4,5]])

数组的形状可以通过shape属性来获得，它是一个描述数组各个轴的长度的元祖

print(a.shape,b.shape)

结果：

(3,)    #有一个元素表示是一维数组，shape的元组里有几个元素就表示这个数组是几维的
(2,3)

还可以通过修改数组的shape属性，在保持数组元素个数不变的情况下，改变数组每个轴的长度，

b.shape = 3,2

再看b

array([[2, 3],
       [4, 3],
       [4, 5]])

注意从（2,3）改成（3,2）并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变。
当设置某个轴的元素个数为-1时，将自动计算此轴的长度。由于数组b有6个元素，因此下面的程序将数组b的shape属性改成了（1,6）：

b.shape = 6,-1

array([[2],
       [3],
       [4],
       [3],
       [4],
       [5]])

使用数组的reshape()方法，可以创建指定形状的新数组，而原数组的形状保持不变

c = a.reshape((3,1))

>>> c
array([[1],
       [2],
       [3]])
>>> a
array([1, 2, 3])

数组a和c其实共享数据存储空间，因此修改其中任意一个数组的元素都会同时修改另一个数组的内容：

>>> a[1] = 100

>>> a
array([  1, 100,  3])
>>> c
array([[  1],
       [100],
       [  3]])
>>> 

2、元素类型

数组的元素类型可以通过dtype属性获得，我使用的是64位操作系统和Python，那么默认整数类型的长度为64位。

>>> c.dtype
dtype('int64')

可以通过dtype参数在创建数组时指定元素类型，注意float类型是64位的双精度浮点类型，而complex是128位的双精度复数类型：

>>> ai = np.array([1,2,3,4],dtype=np.int32)
>>> af = np.array([1,2,3,4],dtype=float)
>>> ac = np.array([1,2,3,4],dtype=complex)
>>> ai.dtype
dtype('int32')
>>> af.dtype
dtype('float64')
>>> ac.dtype
dtype('complex128')

使用astype()方法可以对数组的元素类型进行转换：

>>> ac.astype(np.int32)
array([1, 2, 3, 4], dtype=int32)
>>> ac.astype(np.float)
array([1., 2., 3., 4.])

3、自动生成数组
arange()类似于内置函数range()，通过指定开始值、终值和步长来创建表示等差数列的一维数组，注意所得到的结果中不包含终值。

>>> np.arange(0,1,0.1)
array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])

linspace()通过指定开始值、终值和元素个数来创建表示等差数列的一维数组，可以通过endpoint参数指定是否包含终值，默认值为True，即包含终值。

>>> np.linspace(0,1,10)
array([0.        , 0.11111111, 0.22222222, 0.33333333, 0.44444444,
       0.55555556, 0.66666667, 0.77777778, 0.88888889, 1.        ])

>>> np.linspace(0,1,10,endpoint=False)
array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])

logspace()和linspace()类似，不过它所创建的数组是等比数列：

>>> np.logspace(0,2,5)
array([  1.        ,   3.16227766,  10.        ,  31.6227766 ,
       100.        ])

基数可以通过base参数指定，其默认值为10

>>> np.logspace(0,1,12,base=2,endpoint=False)
array([1.        , 1.05946309, 1.12246205, 1.18920712, 1.25992105,
       1.33483985, 1.41421356, 1.49830708, 1.58740105, 1.68179283,
       1.78179744, 1.88774863])

zeros()、ones()、empty()可以创建指定形状和类型的数组。其中empty()只分配数组所使用的内存，不对数组元素进行初始化操作，因此它的运行速度是最快的，而zeros()将数组初始化为0，ones()将数组初始化为1。

>>> np.empty((2,3),np.int)
array([[139729897318376,        22601424,               0],
       [    55834574849,               0, 139728171040769]])
>>> np.zeros((2,3),np.int)
array([[0, 0, 0],
       [0, 0, 0]])
>>> np.ones((2,3),np.int)
array([[1, 1, 1],
       [1, 1, 1]])

full()将数组元素初始化为指定值：

>>> np.full((2,3),np.pi)
array([[3.14159265, 3.14159265, 3.14159265],
       [3.14159265, 3.14159265, 3.14159265]])
>>> np.full((2,3),12)
array([[12, 12, 12],
       [12, 12, 12]])