Numpy入门

前言：

仅仅介绍Numpy的基础知识，且本人也在学习，所以会很浅。

---

Numpy的基本属性：

# 习惯上将numpy导入并命名为np
import numpy as np

首先，在python学习一文中，提及了列表的创建，我们先来创建一个简单的二维列表：

newlist = [[1,2,3], [4,5,6]]

这样我们创建了一个二行三列的列表，那应该怎么将其转换为矩阵呢？ 

matrix = np.array(newlist)
# 或者写成这种形式也是可以的 matrix = np.array([[1,2,3], [4,5,6]])

1、维度（dimension）属性：

当你拥有一个array对象后，你可以通过array.ndim来获取该矩阵的维度信息。

2、形状（Shape）属性：

如果你获得了一个未知的array对象，你应该如何确定该矩阵的形状（几行几列）呢，你可以使用array.shape来获取该矩阵的形状，这个属性是一个元组（n，m），行信息在前，列信息在后。（注意这里说的array是你定义的对象名，如我上文定义的对象名为martix，则要获取shape属性，应该为martix.shape）

3、大小（Size）属性：

当你想要确定这个矩阵内部存储了多少个元素时，你可以使用array.size来获得该属性。

---

Numpy创建array（数组）：

语法：

基础创建：

np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

参数解释：

• object：一个数组，在python中表现为你传入的参数应该为list形式；
• dtype（可选optional）：data_type，数据的类型，由int和float两大类，可以自主设定位数（当不需要过高精确度而特别关注内存时，位数可以较小；反之应该较大。）
• copy（可选optional）：默认（default）为真，直接复制对象（object）；False时，不能够直接复制，而是需要object满足某些条件才能够进行复制（不多展开）；
• order（可选optional）:制定了矩阵的内存布局；若object不是数组，则默认为行主要（C）除非指定为列主要（F）；若是数组成立，则满足下图，当copy因为其它原因被执行时，no copy与copy的结果是相同的
• subok（可选optional）：默认为False，返回的数组作为基类数组；否则作为子类
• ndim（可选optional）：可以指定生成数组的最小维度。

创建元素全为0的array：

np.zeros(shape, dtype = None, order = 'C')

参数解释（与上文相同的不再赘述）：

shape：在介绍基本属性的时候有提及，是一个元组类型的值，(n,m)前行后列。

a = np.zeros((3,3), np.uint8)
print(a)

创建元素为全1的array：

np.ones(shape, dtype = None, order = 'C')

b = np.ones((3,3), np.uint8)
print(b)

创建一个有序的array：

np.arange([start, ]stop, [step, ] dtype = None )

和python中的range()函数类似。

但这样有一个问题，这样仅仅只是一个一维的数组而已，如果我们想要重新定义它的shape应该如何做呢？

np.arange(start, stop, step, dtype).reshape(shape)

注：在reshape中，shape虽仍然是原组，但是是小括号可以省略。

c = np.arange(12).reshape((4,3))
print(c)

创建一个均匀间隔的数值序列：

np.linspace(start, end, num[, endpoint = True])

参数解释：

• start：起始数值；
• end：终止数值，包不包括该数值取决于endpoint是否为真，为真则包括；
• num：数组中含有几个值；
• endpoint(可选optional)：bool值，真则包括end，否则不包括。

d = np.linspace(12,23,12).reshape(4,3)
print(d)

---

Numpy基础运算：