NumPy - ndarray

• ndarray——N维数组
  NumPy中基本的数据结构；
  所有元素是同一种类型；
  别名为array；
  利于节省内存和提高CPU计算时间；
  有丰富的函数。
• ndarray数组属性
  维度称为轴，轴的个数称为秩（rank）。
  纵向为第0轴，横向为第1轴（axis）

基本属性	说明
ndarray.shape	维度
ndarray.ndim	秩
ndarray.size	元素总个数
ndarray.dtype	元素类型
ndarray.itemsize	元素字节大小

• ndarray的创建

创建方法	说明
arange
array
copy
empty
empty_like
eye
fromfile
fromfunction	从一个函数来创建数组
identity
linspace	从起始点到终止点以及个数确定情况下创建一个等差数组
logspace
mgrid
ogrid
ones
ones_like
r
zeros
zeros_like

# array创建ndarray
x = np.array([(1,2,3), (4,5,6)])

x
Out[48]: 
array([[1, 2, 3],
       [4, 5, 6]])

# arange创建ndarray
y = np.arange(1,10,0.5)

y
Out[54]: 
array([1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7. ,
       7.5, 8. , 8.5, 9. , 9.5])

• ndarray的操作

常用操作	说明
reshape	不改变原数组
resize	改变原数组
vstack	在垂直方向上拼接
hstack	在水平方向上拼接

切片：

x
Out[55]: 
array([[1, 2, 3],
       [4, 5, 6]])

print(x[:, [0,1]])  #第一维表示行，第二维表示列 >第一维不写，表示行都要
[[1 2]
 [4 5]]
 
print(x[1, [0,1]])
[4 5]

print(x[[0,1], :])
[[1 2 3]
 [4 5 6]]

对于形状不相似的数组，采用广播思想：

a = np.array([1,2,3])

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

a + b
Out[63]: 
array([[2, 4, 6],
       [5, 7, 9]])

• ndarray的运算
  axis = 0 #列
  axis = 1 #行

函数	说明
sum	求和
mean	平均值
std	标准差
var	方差
min	返回最小值
max	返回最大值
argmin	返回最小值的索引
argmax	返回最大值的索引
cumsum
cumprod

• 线性代数

常用函数	说明
dot	矩阵内积
linalg.det	行列式
linalg.inv	逆矩阵
linalg.solve	多元一次方程组求根
linalg.eig	求特征值和特征向量

• ndarray的ufunc（通用）函数
  ufunc（universal function）是一种能对数组的每个元素进行操作的函数。NumPy内置的许多ufunc函数都是在C语言级别实现的，计算速度非常快。
  在数据量比较大的时候，同一个任务尽量选用Numpy中的通用函数来处理：
  add, all, any, arange, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, exp, floor,…

# 计算一组数的sin(t)的二次方

import time
import math
import numpy as np

# math库函数执行时间
x = np.arange(0,100,0.01)
t_m1 = time.clock()
for i,t in enumerate(x):
    x[i] = math.pow((math.sin(t)), 2)
t_m2 = time.clock()

# 通用函数执行时间
y = np.arange(0, 100, 0.01)
t_n1 = time.clock()
y = np.power(np.sin(y), 2)
y = np.arange(0,100,0.01)
t_n2 = time.clock()

print('Running time of math:', t_m2-t_m1)
print('Running time of numpy:', t_n2-t_n1)