Numpy学习

1.关于numpy

1.什么是numpy：
	numpy是python开源的科学计算包，是高级的数值编程工具：
    	1.强大的N维数组对象：ndarray
        2.可以用来对数组结构进行运算(不用通过循环与遍历) --- 直接进行矩阵运算
        3.拥有非常强大的模块库：随机数、线性代数等等
    许多高级的工具都是以numpy为基础的：pandas
2.关于numpy我们需要学习哪些？
	1.numpy基础的数据结构
    2.numpy通用的函数
    3.numpy索引以及切片
    4.numpy随机数
    5.numpy数据的输入与输出
    

2.numpy的基础数据结构

概念：numpy数组是一个多维数组对象，也称为ndarray，由两部分组成：
	1.实际的数据
	2.描述这些数据的元数据
	
如何创建数组：
	1.导入模块：numpy
		import numpy as np
	2.创建数组对象：array
		ar = np.array()  --- 括号类可以使列表  元组  数组
注意：
	数组的维数称为秩 - rank，一维数组的秩为1，二维数组的秩为2，依次类推，秩其实是描述轴的数量
	

常用的方法：

方法	作用
arr.ndim	输出数组的维度的个数
arr.shape	数组的维度，比如n行m列 维度就是shape(n,m)
arr.size	数组总元素的个数 n * m
arr.dtype	数组中每个元素的类型
arr.itemsize	每个元素的字节大小

常见创建数组的方法：
	1.array()
    	格式：np.array()
        注意：括号内可以使列表、元组 、生成器等
    
    2.arange()
    	格式：np.arange()
        注意：用生成均匀间隔的值，类似range，不同的是，它可以返回小数
        
    3.linsapce()
    	格式：np.linspae(开始，停止，num=50,[endpoint=True,retstep=False])
        注意：在这个区间内生成num个均匀的间隔样本，默认是50
    
    5.zeros()/zeros_like/onses()/ones_like()
    	格式：np.zeros(数量)/np.zeros_like(数组)
        注意：在使用zeros和ones时一定要给定数量，zeros_like是返回与给定数组相同形状和类型的零或1数组
    
    6.eye()
    	格式：np.eye(数量)
        注意：创建一个正方的 N * N 的单位矩阵，对角线为1，其余为0
        

3.通用函数

数组形状：
	.T方法：
    功能：将形状转置，例如原shape为(3,4) ---> (4,3),一维数组形状不变
    用法：
    	已知 ： ar1 = np.arange(10)
        	print(ar1.T)
    
    .reshape方法：
   		已知：ar1 = np.onse(5,2)
    	改变方法有三种：
        	1.直接改变已有形状：
            	ar2 = ar1.reshape(2,5)
            2.生成数组后直接改变形状
            	ar3 = np.zeros((4,6)).reshape(3,8)
    		3.参数内添加数组，目标形状改变
            	ar5 = np.reshape(np.arange(12),(3,4)) 
                
    .resize方法：
    	numpy.resize(a, new_shape)：返回具有指定形状的新数组，如有必要可重复填充所需数量的元素。
        ar6 = np.resize(np.arange(5),(3,4))
       
数组的复制：
	copy:
        功能：生成数组及其数据的完整拷贝
    注意：.T/.reshape/.resize都是生成新的数组
    
数组类型的转换：
	.astype()
    	用法：在生成数组的同时，可以使用dtype指定元素的类型
        	ar2 = ar1.astype(np.int32)  --- 生成新的类型
    	注意：养成好习惯，数组类型用 np.int32,而不是直接用int32
    
数组的堆叠：
	numpy.hstack(tup)：水平（按列顺序）堆叠数组
    注意：一维数组堆叠a,b可以不一样，二维必须是一样
    
    numpy.vstack(tup)：垂直（按列顺序）堆叠数组
    注意：沿着新轴连接数组的序列，形状必须一样！
    	 # 重点解释axis参数的意思，假设两个数组[1 2 3]和[4 5 6]，shape均为(3,0)
         # axis=0：[[1 2 3] [4 5 6]]，shape为(2,3)
         # axis=1：[[1 4] [2 5] [3 6]]，shape为(3,2)

数组的拆分：
	numpy.hsplit(ary, indices_or_sections)：将数组水平（逐列）拆分为多个子数组 → 按列拆分
	输出结果为列表，列表中元素为数组
    
    numpy.vsplit(ary, indices_or_sections)：:将数组垂直（行方向）拆分为多个子数组 → 按行拆
        

numpy读取/写入数组数据、文本数据：
	# 存储数组数据 .npy文件
    import os
    os.chdir('C:/Users/Hjx/Desktop/')

    ar = np.random.rand(5,5)
    print(ar)
    np.save('arraydata.npy', ar)
    # 也可以直接 np.save('C:/Users/Hjx/Desktop/arraydata.npy', ar)
    
    # 读取数组数据 .npy文件
    ar_load =np.load('arraydata.npy')
    print(ar_load)
    # 也可以直接 np.load('C:/Users/Hjx/Desktop/arraydata.npy')
    
    
    # 存储/读取文本文件
    ar = np.random.rand(5,5)
    np.savetxt('array.txt',ar, delimiter=',')
    # np.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline='\n', header='', footer='', comments='# ')：存储为文本txt文件

    ar_loadtxt = np.loadtxt('array.txt', delimiter=',')
    print(ar_loadtxt)
    # 也可以直接 np.loadtxt('C:/Users/Hjx/Desktop/array.txt')