numpy常用操作

numpy简介

由于Python自身的动态语言特性而带来的运行速度方面的损失，其次便是Python在大数据处理方面（数G甚至几十上百G）的捉襟见肘。NumPy已经做了相当程度的优化，可以对大数组的数据进行高效处理。优化包括NumPy是在一个连续的内存块中存储数据，独立于其他Python内置对象，如此便可以加速数据索引的速度。其次，NumPy调用了大量的用C语言编写的算法库，使得其可以直接操作内存，不必进行Python动态语言特性所含有的前期类型检查工作，从而大大提高了运算速度。最后，NumPy所有独有的可以在整个数组上执行复杂的计算也能够大幅提高运算效率（基于NumPy的算法要比纯Python快10到100倍，甚至会快更多）。
虽然NumPy有着以上的种种出色的特性，其本身则难以独支数据分析这座大厦，这是一方面是由于NumPy几乎仅专注于数组处理，另一方面则是数据分析牵涉到的数据特性众多，需要处理各种表格和混杂数据，远非纯粹的数组（NumPy）方便解决的，而这就是pandas发力的地方。因此，在下一篇文章里我将介绍pandas的常用操作。

numpy常用操作

1. N维数组对象(ndarray)
   ndarray是一个多维数组对象，一般要求所有元素类型相同，数组下标从0开始。
2. 对象的属性

属性	说明
.dim	秩，即轴的数量或维度的数量
.shape	对象的尺度，对于矩阵来说，即n行m列
.size	对象的个数，即n*m的值
.dtype	对象的类型

• 实例

import numpy as np
a=np.array([[1,3,5,7],[2,4,6,8]])
a
a.ndim
a.shape
a.size
a.dtype

#运行结果
array([[1, 3, 5, 7],
       [2, 4, 6, 8]])
2
(2,4)
6
dtype('int32')

3. 数组的创建方法

函数	说明
np.arange(n)	类似range函数，放回ndarray类型，元素从0到n-1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组
np.full(shape,val)	根据shape生成一个数组，每个元素值都为val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线全为1其余为0
np.linspace(b,e,n)	根据起始值等间距的填充数据，形成数组

• 实例

np.arange(10)
np.ones((3,6))
np.zeros((4,4))
np.full((3,2),10)
np.eye(3)
np.ones((2,3,4))
np.linspace(1,10,10)

#运行结果
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
array([[1., 1., 1., 1.