Numpy基础

ndarray

ndarray：numpy的N维数组对象，其中的所有元素必须是相同的数据类型

属性和方法的区别：
属性没有参数，不需要括号；
方法有参数，有括号
2. 属性

• ndarray.shape
• ndarray.dtype

3. 方法

• ndarray.astype()

1.1 创建numpy数组 ndarray

1. np.array() ：将输入数据（列表、元组、数组等）转化为ndarray

list = [[1, 2, 3], [4, 5, 6]]
data = np.array(list)

2. asarray 将输入转为ndarray

data1 = np.asarray(data)

3. arange 类似于内置的range

np.arange(15)

4. ones, ones_like
5. zeros, zeros_like
6. empty, empty_like
7. eye, identity

1.2 ndarray的数据类型

整型、浮点型、复数、字符、对象、布尔
ndarray.dtype 属性

通过astype方法显式地转换其dtype

data1_1 = data1.astype(np.float64)
data1_1.dtype

1.3 数组与标量之间的运算

相同大小的数组算术运算是元素级的运算。
数组与标量的算术运算也是元素级的运算。

不同大小的数组之间的运算叫广播（broadcasting）。

1.4 索引和切片 0-based

重点：

• 复制与视图
• 索引切片后的数组大小ndarray.shape

1. 一维数组：

a[5]
b = a[5:8]

复制与视图
ndarray数组是原始数组的视图，数据本身不会被复制。
即data_copy和data共享一块物理内存，在data_copy上的任何操作都会反应到data上。反之亦然。

显式复制
data_copy1 = data.copy()

data = np.arange(15)
data_copy = data[10:]

data_copy[1] = 100
data


data
Out[21]: array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

data_copy
Out[22]: array([10, 11, 12, 13, 14])

data_copy[1] = 100
data
Out[23]: 
array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10, 100,  12,
        13,  14])

data_copy
Out[24]: array([ 10, 100,  12,  13,  14])

data_copy1 = data[10:].copy()
data_copy1[1] = 1000
data


data
Out[29]: 
array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10, 100,  12,
        13,  14])

2. 多维数组

对于N维数组而言，索引可以是数字，也可以是1维数组。
若N维数组a的大小是(3,4,5)，可以把(3,4,5)理解为三个不同的轴。

a[0][1] == a[0,