numpy基础教程

0.简介

numpy的核心特征是ndarray（N维数组对象）,ndarray是python中一个快速，灵活的大型数据集容器。
导入：import numpy as np

1.基本使用

1.1 生成

1. 最简单的方法：array ，给它一个列表作为参数，并指定数组的数据类型dtype。

data=np.array([i for i in range(10)],dtype='int64')

生成一个一维的数组。

data1=np.array([[1,2,3,4],[5,6,7,8]],dtype='int64')

生成2*4的数组。
2. 使用 arange

data2 = np.arange(4, 10, 2)  # arrange(start,end,step),开始值到结束值每隔2,取一个值,不含尾值
data2=np.arange(10)   #默认从0开始，步长为1

data2=[4,6,8]
arange与python中的range类似，但是range中的步长只能为int型，arange还可以为浮点型。
3. 使用其它函数
zeros:全0数组
ones:全1数组
empty：未初始化的数组
full 指定数值
创建高维数组则需为shape提供一个元组。

data3=np.zeros(10)  #创建1*10的全0数组
data4=np.zeros((2,3),dtype=int) #2*3
np.full(shape=(3,5),fill_value=6)

4. linspace

np.linspace(0,20,11)  #从0到20取11个构成等差数列的数，包括0和20

5. random

np.random.randint(0,10,size=10) #生成 [0,10)的10个随机整数
np.random.randint(0,10,size=(3,4)) 
np.random.seed(666)  #设置随机种子，使用相同的随机种子，同样的语句，生成同样的随机结果
np.random.random((3,5))  #生成0-1间均匀分布的随机矩阵,仅需指定size参数
np.random.normal(10,100,size=(3,5))  #均值10，标准差100的随机矩阵
np.random.uniform(1-,1,size=100)  #   [1,-1)的均匀分布分布

1.2 基础属性

data.shape  #数组的形状
data.dtype  #数组的数据类型
data.ndim   #数组是几维的
data.size   #数组中有多少元素
data([2,2])   #推荐的索引方式
data[0:10:2]  #切片[0,10)

对于二维数组的切片：

data[:2,:3] #取其前两行前三列
data[::-1,::-1]  #  矩阵反转
data[:,0]  #取一列

对于python中的list，进行切片操作时，子列表是独立于原list的，即分别占用内存空间。但是在numpy中，由于处理的数据规模较大，在进行切片时并不进行复制而是直接引用，故对子矩阵的修改会直接隐影响到原矩阵，同理对原矩阵的修改会直接影响到子矩阵。但：

data3=data[:2,:3].copy()