NumPy学习（一）

基础

---

NumPy的主要对象是齐次多维数组。表由相同类型的元素组成（通常为数字），由一个正整数元组索引。在NumPy中维数被称为轴，轴数称为秩。例如，一个三维空间中点的坐标[1,2,1]是一个秩为1的数组，因为其轴数为1，轴的长度为3。在下图中，数组的秩为2（2维），第二维的长度为3。

[[ 1., 0., 0.],
 [ 0., 1., 2.]]

NumPy的数组类是ndarray，也称array。需要注意numpy.array和标准Python库类array.array不同，后者只能处理一维数组，提供的功能较少。
ndarray对象的主要属性如下所示：
ndarray.ndim
数组的轴的数量（维度的数量）。也称为秩。
ndarray.shape
数组的维度。这是用一个整数元组表示每个维度的数组的大小。比如一个n行m列的矩阵，shape为(n,m)。shape元组的长度即为秩
或者称为维度的数量，即ndim。
ndarray.size
数组中元素的个数总和。等于shape元组中元素的乘积。
ndarray.dtype
描述数组中的元素类型。可以使用标准的额Python类型生成或指定dtype。除此之外NumPy提供可一些独有的类型，如numpy.int32
，numpy.int16， numpy.float64等。
ndarray.itemsize
数组中每个元素的字节数的大小。例如，float64类型元素的itemsize值为8=(64/8)，complex32类型元素的itemsize值为4=(32/8)。等同于ndarray.dtype.itemsize。
ndarray.data
包含实际数组元素的缓冲区。通常我们不会使用这个属性，因为我们将会使用索引来获取数组中的元素。
实例：

>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>

建立数组

---

有许多方法可以用来创建数组，比如利用numpy的array方法从Python的list或tuple创建数组。如上图所示。
但是array方法不能直接接收一串数字，如下图所示：

>>> a = np.array(1,2,3,4)    # 错
>>> a = np.array([1,2,3,4])  # 对

将二维序列转换为二维数组：

>>> b = np.array([(1.5,2,3), (4,5,6)])
>>> b
array([[ 1.5,  2. ,  3. ],
       [ 4. ,  5. ,  6. ]])

也可以在创建数组时指定元素类型：

>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j,  2.+0.j],
       [ 3.+0.j,  4.+0.j]])

经常会碰到数组的元素实现不知道，仅直到数组的大小。因此，numpy提供一些功能创建拥有初始占位符的数组。尽可能减少数组的增长，这是个昂贵的操作。
zero方法创建一个元素全为0的数组，ones方法创建一个元素全为1的数组，empty方法创建一个元素内容随机且依赖内存状态的数组。默认情况下，创建的数组的元素类型为float64。

>>> np.zeros( (3,4) )
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
>>> np.ones( (2,3,4), dtype=np.int16 )                # dtype can also be specified
array([[[ 1, 1, 1, 1],
        [ 1, 1, 1, 1],
        [ 1, 1, 1, 1]],
       [[ 1, 1, 1, 1],
        [ 1, 1, 1, 1],
        [ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) )                                 # uninitialized, output may vary
array([[  3.73603959e-262,   6.02658058e-154,   6.55490914e-260],
       [  5.30498948e-313,   3.14673309e-307,   1.00000000e+000]])

为了创建数字序列，numpy提供了类似Python中range的方法，arange返回的是数组而不是列表。

>>> np.arange( 10, 30, 5 )    # 起始10，终止30，步长为5
array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 )
array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])

当arange接收浮点参数时，由于有限的浮点精度，通常不能预测可获得的元素数量。因此，更好的选择是用linspace接收指定生成的元素数量作为参数，替代arange中的步长。

>>> from numpy import pi
>>> np.linspace( 0, 2, 9 )                 # 返回从0到2中间的9个数，包括2
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
>>> x = np.linspace( 0, 2*pi, 100 )        # 可以利用多个点评价函数
>>> f = np.sin(x)

打印数组

---

当打印数组时，numpy提供了一个类似Python嵌套列表的方法，但是遵守以下布局：
* 最后的维度(轴)从左至右打印
* 倒数第二维从上至下打印
* 其他维也从上至下打印，每个切片下由一个空行分隔

>>> a = np.arange(6)                         # 1d 维
>>> print(a)
[0 1 2 3 4 5]
>>>
>>> b = np.arange(12).reshape(4,3)           # 2d