numpy的基本操作

数组的创建

# 创建数组
import numpy as np

np.array([1, 0, 1, 0, 1, 0], dtype=np.bool)
np.array([1, 2, 3, 4, 5, 6])
np.array(range(1, 7))
np.array(1, 7)

数组的形状操作

# 数组的计算
a = np.array([1, 2, 3, 4, 5, 6])
b = np.array([6, 5, 4, 3, 2, 1])
a.reshape(2, 3)
b.reshape(2, 3)
c = a+b
d = a-b
e = a*b
f = a/b
# 对数组的所有元素进行操作
x = a+1

广播原则

如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符或其中一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。
怎么理解呢?
可以把维度指的是shape所对应的数字个数
那么问题来了:
shape为(3,3,3)的数组能够和(3,2)的数组进行计算么?
shape为(3,3,2)的数组能够和(3,2)的数组进行计算么?
有什么好处呢?
举个例子:每列的数据减去列的平均值的结果

数组的索引、切片、裁剪、转换、拼接

# numpy的索引和切片
a[1] # 取第一行
a[:,1]# 取第一列
a[1:3]# 取多行
a[,1:3]# 取多列
# 数组的剪裁
a.clip(3, 5)# 数组中的数据小于3的改为3，大于5改为5
# 数组行列切换
a.swapaxes(1, 0)
# 数组的拼接
np.hstack(a, b)#水平拼接
np.vstack(a, b)#垂直拼接

numpy中常见函数

求和：t.sum(axis=None)
均值：t.mean(a,axis=None)  受离群点的影响较大
中值：np.median(t,axis=None)
最大值：t.max(axis=None)
最小值：t.min(axis=None)
极值：np.ptp(t,axis=None) 即最大值和最小值只差
标准差：t.std(axis=None) 

numpy的其它方法

获取最大值最小值的位置
  np.argmax(t,axis=0)
  np.argmin(t,axis=1)
创建一个全0的数组: np.zeros((3,4))
创建一个全1的数组:np.ones((3,4))
创建一个对角线为1的正方形数组(方阵)：np.eye(3)