numpy基础1

1、创建数组的集中方式：

• np.empty([3, 3])  里面是数组的形状  ：返回一个随机元素的矩阵，所以使用的时候要小心。需要手工把每一个值重新定义，否则该值是接近零的随机数
• np.zeros()创建纯零数组
• np.ones(5) 纯1数组
• np.asarray(列表)  列表创建数组
• np.arange(5)  范围创建数组
• np.random.rand(2, 3)  随机数创建数组
• np.random.randint(5, size=(2, 3))
• np.random.randn(2, 2)   randn():生成服从N(0,1)N(0,1)的标准正态分布
• np.linspace(1,10,5)  等差数列  1：起始  10：终止  5： 元素个数
• np.logspace(0,2,5)   0表示10的零次方，2表示10的2次方，5表示最终生成的元素数量为5个

2、数组性质：

• ndarray.ndim - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
• ndarray.shape - 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n 行和 m 列的矩阵，shape 将是 (n,m)。因此，shape 元组的长度就是rank或维度的个数 ndim。
• ndarray.size - 数组元素的总数。这等于 shape 的元素的乘积。
• ndarray.dtype - 一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64、np.float32 、np.bool_。
• ndarray.itemsize - 数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。
• ndarray.data - 该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。

3、形状操作

•  设l是一个np数组
• l.reshape()

4、将不同数组堆叠在一起

垂直叠加

#方法一
c = np.concatenate([a,b],axis=0)
print(f"concatenate:{c}")
#方法二
c = np.vstack([a,b])
print(f"vstack:{c}")

#方法三
c = np.r_[a, b]
print(f"r_:{c}")

 水平叠加

#方法一
c = np.concatenate([a,b],axis=1)
print(f"concatenate:{c}")

#方法二
c = np.hstack([a,b])
print(f"hstack:{c}")

#方法三
c = np.c_[a, b]
print(f"c_:{c}")