numpy属性学习

一.为什么使用numpy和Pandas
1.运算速度快：numpy 和 pandas 都是采用 C 语言编写, pandas 又是基于 numpy, 是 numpy 的升级版本。
2.消耗资源少：采用的是矩阵运算，会比 python 自带的字典或者列表快好多
二.numpy属性
ndim:维度
shape:行数和烈属
size:元素个数

import numpy as np#方便采用np简写
#列表转化为矩阵
array=np.array([[1,2,3],
                [2,3,4]])
print(array)
print(array.shape)
print(array.size)
print(array.ndim)

输出：
[[1 2 3]
[2 3 4]]
(2, 3)
6
2

三.numpy创建数组
array：创建数组
dtype：指定数据类型
zeros：创建数据全为0
ones：创建数据全为1
empty：创建数据接近0
arrange：按指定范围创建数据
linspace：创建线段

例1：

import  numpy as np
a=np.array([[2,3,4],[1,2,3]],dtype=np.int)
b=np.zeros((3,4),dtype=np.int)
c=np.ones((2,2),dtype=np.float32)
print(a)
print(b)
print(c)

输出：
[[2 3 4]
[1 2 3]]
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
[[1. 1.]
[1. 1.]]

例2:

import  numpy as np
a=np.empty((2,3),dtype=np.int)#一个元素全部接近0的矩阵
b=np.arange(10,21,2)# from 10 to 20,stride=2
c=np.arange(12).reshape((3,4))#0-11的12个数字reshape成3行4列
print(a)
print(b)
print(c)

结果：
[[139959920269288 139959920269288 139959933942976]
[139959934454160 30159120 30159096]]

[10 12 14 16 18 20]

[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
例3
一段矩阵

import  numpy as np
a=np.linspace(1,10,10)
b=a.reshape((2,5))#reshape成2行5列的矩阵
print(a)
print(b)

实验结果
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
[[ 1. 2. 3. 4. 5.]
[ 6. 7. 8. 9. 10.]]