NumPy入门笔记

Numpy

Numpy是一个开源的python科学计算基础库

1. 一个强大的N维数组对象ndarray
2. 广播功能函数
3. 整合C/C++/Fortran代码的工具
4. 线性代数、傅里叶变换、随机数生成等功能

Numpy是SciPy、Pandas等数据处理或科学计算库的基础。

Numpy的引用：

Import numpy as np

Ndarray

N维数组对象：ndarray

1. 数据对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。
2. 设置专门的数组对象，可以提升运算速度。
3. 数组对象采用相同的数据类型，有助于节省运算和存储空间。
4. ndarray是一个多维数组对象，由两部分构成：
5. 实际的数据
6. 描述这些数据的元数据（数据维度、数据类型等）
7. ndarray一般要求所有元素类型相同（同质），数组下标从0开始。
8. 可以用np.array()生成一个ndarray数组，输出成[ ]形式，元素由空格分割

轴（axis）：保存数据的维度
秩（rank）：轴的数量

ndarray对象的属性：

1. ndim 秩，即轴的数量或维度的数量
2. shape ndarray对象的尺度，对于矩阵来说即是n行m列
3. size ndarray对象元素的个数，相当于.shape中n*m的值
4. dtype ndarray对象的元素类型
5. itemsize ndarray对象中每个元素的大小，以字节为单位

两个维度：每个维度有5个元素
共有10个元素
元素为int32类型
每个元素占4个字节

ndarray的元素类型（众多）：

1. 科学计算设计的数据较多，对存储和性能都有较高要求。
2. 对元素类型的精细定义，有助于NumPy合理使用存储空间并优化性能。
3. 对元素类型精细定义，有助于程序员对程序规模有合理评估。
4. ndarray数组也可以有非同质对象构成，非同质ndarray元素为对象类型，无法有效发挥numpy的优势，尽量避免使用。

只能看到两个元素，不能进一步分析
O为对象类型，非同质ndarray元素为对象类型。
Object类型即把两个列表看作两个类型

Ndarray数组的创建

• 从python中的列表、元组等类型创建ndarray数组。

x = np.array(list/tuple)
x = np.array(list/tuple,dtype=np.float32)

当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型。

• 使用NumPy中函数创建ndarray数组，如：arange，ones，zeros等。
  1.1 np.arange(n) 类似range()函数，返回ndarray类型，元素从0到n-1
  
  1.2 np.ones(shape) 根据shape生成一个全1数组，shape是元组类型 n行m列
  
  1.3 np.zeros(shape) 根据shape生成一个全0数组，shape是元组类型 n行m列
  
  1.4 np.full(shape,val) 根据shape生成一个数组，每个元素值都是val n行m列
  
  1.5 np.eye(n) 创建一个正反的n*n单位矩阵，对角线为1，其余为0
  

(2,3,4）由最外层到最内层的逐渐变化的数据维度的表示方式

1.6 np.ones_like(a) 根据数组a的形状生成一个全1数组
1.7 np.zeros_like(a) 根据数组a的形状生成一个全0数组
1.8 np.full_like(a,val) 根据数组a的形状生成一个数组，每个元素值都是val。
1.9 np.linspace() 根据起止数据等间距的填充数据，形成数组

第一个参数为起始元素的值，第二个参数为结束元素的值，第三个参数为等间距分成四个元素

endpoint参数表示结束元素（即10）是否作为生成的4个元素中的1个

1.10 np.concatenate() 将两个或多个数组合并成一个新的数组

• 从字节流（raw bytes）中创建ndarray数组。
• 从文件中读取特定格式，创建ndarray数组。

ndarray数组的变换

1. .reshape(shape) 不改变数组元素，返回一个shape形状的数组，原数组不变

保持元素的总体个数保持不变。

但是a却没有发生变化。

2. .resize(shape) 与.reshape()功能一致，但修改原数组
   
   原数组a被改变
3. .swapaxes(ax1,ax2) 将数组n个维度中的两个维度进行调换
4. .flatten() 对数组进行降维，返回折叠后的一维数组，原数组不变
   

原数组a不变，a.flatten()降维成一位数组

ndarray数组的类型变换

1. new_a=a.astype(new_type) .astype()方法一定会创建一个新的数组（原始数据的一个拷贝），即使两个类型一致
   

ndarray数组向列表的转换

1. .tolist() 由ndarray数组转换为列表
   

ndarray数组的操作

1. 数组的索引和切片
   索引：获取数组中特定位置元素的过程
   切片：获取数组元素子集的过程

一维数组的索引和切片：与python的列表类似

3元素冒号分割：[起始：终止（不包含）：步长]

多维数组的索引：每个维度一个索引，之间用逗号分隔

-1表示倒数第一个元素值，-2表示倒数第二个…但正着数是由0开始

多维数组的切片：

通过 “：” 可以选取一整个维度，维度内也能够进行切片操作

例中：
第二个维度上取1~3（起始为1终止为3不含3的值）
每个维度可以使用步长跳跃切片，在第三个维度中步长为2选取元素，即获得了第三个维度的一半的元素。

• ndarray数组的运算

2. 数组与标量之间的运算
   数组与标量之间的运算作用于数组的每一个元素
   

.mean()为求数组的平均值

• NumPy一元函数对ndarray中的数据执行元素级运算的函数

1. np.abs(x)和np.fabs(x) 计算数组各元素的绝对值
2. np.sqrt(x) 计算数组各元素的平方根
3. np.square(x) 计算数组各元素的平方
4. np.log(x)和np,log10(x)和np.log2(x) 计算数组各元素的自然对数、10底对数、2底对数
5. np.ceil(x)和np.floor(x) 计算数组各元素的ceiling值、floor值
6. np.rint(x) 计算数组各元素的四舍五入值
7. np.modf(x) 将数组各元素的小数和整数部分以两个独立数组形式返回，即使是整数部分在数组中也是以浮点数表示
8. np.cos(x) np.sin(x) np.tan(x) np.cosh(x) np.sinh(x) np.tanh(x) 计算数组各元素的普通型和双曲型三角函数
9. np.exp(x) 计算数组各元素的指数值
10. np.sign(x) 计算数组各元素的符号值，1(+) ,0, 1(-)

几乎所有一元函数运算都是新生成数组，原数组并不改变。

• NumPy二元函数

1. “+” “-” “*” “/” ”** 这些运算都是两个数组各元素进行对应运算
2. np.maximum(x,y) np.fmax() 元素级的最大值计算
   np.minimum(x,y) np.fmin() 元素级的最小值运算
3. np.mod(x,y) 元素级的模运算
4. np.copysign(x,y) 将数组y中各元素的符号赋值给数组x对应元素
5. “>” “<” “>=” “<=” “==” “!=” 算数比较，产生布尔型数组

单元小结：

1. 数据的维度：一维、二维、多维、高维
2. ndarray类型属性、创建和变换
   
3. 数组的索引和切片方式
4. 数组的运算：一元函数、二元函数