Numpy常用方法介绍

我们知道，在python中，是可以用list（列表）来保存一组值，作为数组来用。但是对于python的列表来说，列表中的元素可以是任意的对象，这就意味着，你在列表中保存的，实际上是指针，然后指针指向了你想保存的元素。如果进行数值运算的话，是比较浪费内存的。当然，python中存在array模块，但是，它是不支持多维运算的，也没有一些常用的运算函数，因此不适合做数值运算。

numpy的出现，弥补了python的这些不足。它提供了两种基本对象：ndarray（n-dimensional array object） 与 ufunc(universal function object).ndarray就是可以用来存储单一数据类型的多维数组，而ufunc则是对数组进行处理的函数。

一  ndarray对象的创建

ndarray对象的创建一般有如下几种形式：

1）直接创建。

例如np.array([1,2,3])  或者 c=np.array([2,4],[5,6],[8,10])，这样，就创建了一维或者多维的数组；

2）arange创建

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

其中stop是必选的，其他都是可选。start是起始值，所要输出值里包含该起始值，但是不包含stop结束值。dtype是指定要输出的数据类型，如果不指定的话，就会根据其他的类型进行判断。

例如：

 Examples
    --------
    >>> np.arange(3)
    array([0, 1, 2])
    >>> np.arange(3.0)
    array([ 0.,  1.,  2.])
    >>> np.arange(3,7)
    array([3, 4, 5, 6])
    >>> np.arange(3,7,2)
    array([3, 5])

3） linspace()创建

linspace(start, stop, num=50, endpoint=True, retstep=False)

start，stop跟array类似，num默认是50，endpoint为true时，stop是最后的一个值；当retstep为true时，会返回数组值和间距值。

例如：

 Examples
    --------
    >>> np.linspace(2.0, 3.0, num=5)
        array([ 2.  ,  2.25,  2.5 ,  2.75,  3.  ])
    >>> np.linspace(2.0, 3.0, num=5, endpoint=False)
        array([ 2. ,  2.2,  2.4,  2.6,  2.8])
    >>> np.linspace(2.0, 3.0, num=5, retstep=True)
        (array([ 2.  ,  2.25,  2.5 ,  2.75,  3.  ]), 0.25)

4）通过zeros(),ones(),empty()来创建

zeros（）

zeros(shape, dtype=float, order='C')

shape：整数值，或者整数的序列值

类型dtype默认为float

order一般不用改。

Examples
    --------
    >>> np.zeros(5)
    array([ 0.,  0.,  0.,  0.,  0.])
    
    >>> np.zeros((5,), dtype=numpy.int)
    array([0, 0, 0, 0, 0])
    
    >>> np.zeros((2, 1))
    array([[ 0.],
           [ 0.]])
    
    >>> s = (2,2)
    >>> np.zeros(s)
    array([[ 0.,  0.],
           [ 0.,  0.]])

ones（）

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

与zeros（）想类似

例子：

Examples
    --------
    >>> np.ones(5)
    array([ 1.,  1.,  1.,  1.,  1.])
    
    >>> np.ones((5,), dtype=np.int)
    array([1, 1, 1, 1, 1])
    
    >>> np.ones((2, 1))
    array([[ 1.],
           [ 1.]])
    
    >>> s = (2,2)
    >>> np.ones(s)
    array([[ 1.,  1.],
           [ 1.,  1.]])

empty()

empty(shape, dtype=float, order='C')

与zeros（）相类似

np.empty([2, 2])

此外，还有ones_like，ones_like等，用来完全的复制原先的数组。从函数名称就可以猜出其作用来。

5）eyes()

eye(N, M=None, k=0, dtype=<type 'float'>)

功能是给出一个二维数组，二维数组的对角线是1，其余都是0.

其中，N是行数，M是列数。M在默认的情况下可以忽略，默认值是N。k默认是0，标志着最正对的对角线是0。当k>0的时候，就上移，当k<0时，就可以下移。dtype就是可以设置数值类型。

例如

Examples
    --------
    >>> np.eye(2, dtype=int)
    array([[1, 0],
           [0, 1]])
    >>> np.eye(3, k=1)
    array([[ 0.,  1.,  0.],
           [ 0.,  0.,  1.],
           [ 0.,  0.,  0.]])

二 numpy中数组的一些属性以及取值的方法

1)ndarray的属性

shape函数

shape函数用来计算数组的各个值的长度，返回值是一个元组。

形状的计算从第一维开始计算，知道最后一个维度位置。

例如

np.shape([0]) 只有一个维度，因此值是
    (1,)
np.shape([[1, 2]])有两个维度，因此，值是
(1, 2)

shape计算出了数组的属性，而通过reshape可以来改变这个属性

2）存取元素

通过切片[]来存取数组，是最常见的对数组的操作方式。（切片包含开始值，但是不包含结束值）

当数组有多维时，需要在每个维度上选取值，每个维度间用逗号来进行分割。当某个维度没有选择时，默认选择所有值。

例如：

a=array([[2,3,4,5],[5,6,7,8],[6,4,2,4]])
>>> a
array([[2, 3, 4, 5],
       [5, 6, 7, 8],
       [6, 4, 2, 4]])
a[0:2] 只选择第一个维度的前两个，第二个维度全选
array([[2, 3, 4, 5],
       [5, 6, 7, 8]])

a[0:2,1:3] 选择第一个维度的0,1，第二个维度的1,2
array([[3, 4],
       [6, 7]])