numpy的快速学习--array的属性与创建

array的运算
对于一维矩阵~
In [2]: a=np.array([10,20,30,40])  #array([10, 20, 30, 40])

In [3]: b=np.arange(1,5,1) #array([1, 2, 3, 4])

常见的类型有 

• a+b    #array([11, 22, 33, 44])
• a-b     #array([ 9, 18, 27, 36])
• a*b    #array([ 10,  40,  90, 160])
• a**2   #array([ 100,  400,  900, 1600])  双星表示乘方，如**2表示二次方，**3表示三次方
• 10*np.sina(a)   np.sum(a)  # array([-5.44021111,  9.12945251, -9.88031624,  7.4511316 ])  ;  100   调用 numpy中的函数。
• a<32  #array([ True,  True,  True, False], dtype=bool)     #进行逻辑判断， 返回的是一个bool类型的矩阵，即对满足要求的返回True，不满足的返回Fals

对于二维等多维矩阵：
主要是相乘的操作，使用 dot()函数，如
In [26]:  a=np.array([[1,1],[0,1]])
Out[26]:
array([[1, 1],
       [0, 1]])
In [27]: b=np.arange(4).reshape((2,2))
Out[27]:
array([[0, 1],
       [2, 3]])
In [28]: a.dot(b)
Out[28]:
array([[2, 4],
       [2, 3]])
关于一些函数的使用 如最常见的 sum(), min(), max() ,mean()
In [34]: a=np.random.random((2,3))
Out[35]:
array([[ 0.98019406,  0.73626175,  0.54824511],
       [ 0.20193906,  0.66793905,  0.25067862]])
In [36]: np.sum(a)
Out[36]: 3.3852576544623996
In [37]: np.min(a)
Out[37]: 0.20193906400523154
In [38]: np.max(a)
Out[38]: 0.98019406264193432
In [39]: np.mean(a)

Out[39]: 0.56420960907706663

如果你需要对行或者列进行查找运算，就需要在上述代码中为 axis 进行赋值。 当axis的值为0的时候，将会以列作为查找单元， 当axis的值为1的时候，将会以行作为查找单元。

In [40]: a
Out[40]:
array([[ 0.98019406,  0.73626175,  0.54824511],
       [ 0.20193906,  0.66793905,  0.25067862]])

In [41]: print "sum",np.sum(a,axis=1)
sum [ 2.26470092  1.12055673]
In [42]: print "min",np.min(a,axis=0)
min [ 0.20193906  0.66793905  0.25067862]
In [43]: print "max",np.max(a,axis=1)
max [ 0.98019406  0.66793905]