numpy（基于Numpy外文文档的学习）

学习目标：

• Understand the difference between one-, two- and n-dimensional arrays in NumPy;

• Understand how to apply some linear algebra operations to n-dimensional arrays without using for-loops;（调用一些简单的方法）

• Understand axis and shape properties for n-dimensional arrays.（axis为维度）

numpy的构成axis和length，其中axis表示为多少维度。length表示里面的元素。如【1，2，1】axis为1，length为3

他有几个属性：

ndarray.ndim      #数组是几维的

ndarray.shape   #去形容数组是什么形状。如二维数组是3*3的数组，

ndarray.size   #算里面装有多少个元素（element）。      

#注意：最内部的一个 []表示一个元素，无论元素内有多少个数字

ndarray.dtype  #数据类型

ndarray.itemsize   #数组占了多少字节

ndarray.data  #一般用不上，

创建array方法

1、通过常规python的list或者set创建数组

import numpy as np
>>> a = np.array([2, 3, 4])
>>> a
array([2, 3, 4])

2、通过特殊函数去创建函数。注意：该初始化的数组后续数据一般需要我们自己去补充

#zero函数。

创建全零的数组

np.zeros((3, 4))
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

#ones。创建全一的数组

np.ones((2, 3, 4), dtype=np.int16)
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

#empty。仅创建空间。内部数据是内存中未删除干净的。

np.empty((2, 3)) 
array([[3.73603959e-262, 6.02658058e-154, 6.55490914e-260],  # may vary
       [5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])

3、numpy中有arange函数。

np.arange(10, 30, 5)
array([10, 15, 20, 25])
>>> np.arange(0, 2, 0.3)  # it accepts float arguments
array([0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])         

#arange（起始值，终止值，间隔）

输出array

由需要输出的最高维度的最左边的值往右边输出，

a = np.arange(6)                    # 1d array
>>> print(a)
[0 1 2 3 4 5]
>>>
>>> b = np.arange(12).reshape(4, 3)     # 2d array
>>> print(b)
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
>>>
>>> c = np.arange(24).reshape(2, 3, 4)  # 3d array
>>> print(c)
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

#其中 np.arange(24).reshape(2, 3, 4)，相当于做了两个操作。

#首先是np.arange(24),创建了一个一维数组。

#[1,2,3..........,24]

#然后执行了reshape将上面的一维数组转换为了对应的维度的数组

基本操作/对数组内数值的操作：

操作以元素为单位

1、*号和@（or dot函数）的区别

*表示元素内的元素1对1的相乘。

@（dot）则是类似于线性代数的矩阵相乘，如A*B=C，是A的第n行乘以B的第m列，相加得到C（n,m）位置的具体值

2、+=和*=等相关操作，是对原有数组进行修改，而非创建新数组

3、numpy增加了一元运算的功能。（类似于excal中的sum、min功能）

 #    若调用函数则多为整个数组进行操作，  也可以通过指定axis确定操作的凭据。

4、通用函数：numpy中自行封装了一些数学函数，如：sin、cos等

5、numpy中可以使用索引，切片，迭代进行操作

	一维函数	多维函数（假设三维）
索引	仅需提供一个值。如：a【1】	需要给出对应个数的维度的值。如：a[1,2,3]，才能找到具体的值
切片	提供两个值。 a[x:y]	此处有两种办法。 不提供具体的a[x,y,z],其中的x，y，z可以省略一小部分， 或者通过“：”表示截取一部分。
迭代	从左至右，由小到大	由小到大，由最低维度开始一个一个增加 迭代中提供了flat作为多维函数的迭代器

对数组shape（形状）的操作：

改变array的形状，

An array has a shape given by the number of elements along each axis

通过指定各个维度需要多少个数，确定形状

a = np.floor(10 * rg.random((3, 4)))
a
array([[3., 7., 3., 4.],
       [1., 4., 2., 2.],
       [7., 2., 4., 9.]])
a.shape    #我们在上面指定了3行4列的数组
(3, 4)




#np.floor()表示向下取整
#rg.random ,其中rg是被重命名的包
#通过import numpy.random as rg 表示
#random会生成0，1的数字，其中3，4表示多少行多少列

reshape、resize、ravel、a.t方法异同：

import numpy as np
import numpy.random as rg
a = np.floor(10 * rg.random((3, 4)))
print(a)
#result：
[[3. 4. 5. 3.]
 [6. 3. 4. 5.]
 [8. 6. 8. 5.]]


a.ravel（）：
#result：array([3., 4., 5., 3., 6., 3., 4., 5., 8., 6., 8., 5.])
方法内无法写入改变的参数，执行此方法会变成一维顺序输出

#a.reshape():通过在（）内写入参数可以改变维度、注：可以写入多个，多少个表示多少维度
#a.t则是转置，如：两行六列————转换为————>六行两列

上述方法，相当于是一个临时结果，如果不用变量接，就是一次性的物品



a.resize(),则是直接对这个数组进行操作，操作结果会保存在原数组内

堆叠多个维度的数组

hstack、vstack、column_stack、concatenate 四个方法

vstack方法，将两个数组自上而下的进行堆叠，（增加的是行数）   numpy.r_()和他同理

hstack和column_stack的异同

hstack/ np.c_()  两个函数效果相同	column_stack
通过此方法自左向右增加	通过此方法也是自左向右增加
在一维数组时合并之后只会增加数组长度	一维数组会强制转换为二维数组

concate ：用于多维度的数组处理

将数组拆分

hspit（）函数：对列进行分割

两种填入数据方式

1、将数组均匀的分割成n分

2、将数组按照自己规定的方式进行分割

vsplit（对行进行分割）

使用方法和上述一样。

均匀分割

根据需求分割：

副本与视图：

Not copy at all	shallow copy	deep copy
复制的东西就是本身	复制的东西不是本身，是基于本身，对视图的影响也会回馈到本身	复制后两者互相独立，对一方的操作不影响另一方