numpy

numpy 基础

1. ndim array ，numpy 提供了多维数组
   np.array
   np.arange(0,10,1)
   np.ones((2,3))
   np.zeros(10)
   np.ones_like(a) 跟a的 shape一样的全1数组
   np.zeros_like(a)

#安装
#pip install numpy
import numpy as np
one_dim = np.array([1,2,3])  #一维数组
two_dim = np.array([[1,2],[2,3]]) #二维数组

#可遍历取值，效率不高
#索引取值 返回视图，通过视图可改变原数组
one_dim[0]
two_dim[1,1]  #第二行的第二列 3
two_dim[:,0]  #选择第一列
two_dim[0,:] = [2,2] #给第一行赋值

2. 基于元素的计算，比python 效率高

two_dim = np.array([[1,2],[2,3]]) #二维数组
two_dim + 2  #数组中每个元素都加 2 
two_dim + - * / > < ** 5  #基于每个元素 都去运算
two_dim* two_dim #对应元素相乘
np.dot(one_dim,one_dim) #点乘

3. 线性代数的运算
   np.linalg 包

内存中的ndim array对象

dtype:数据类型 float32 32bit
dim: 数组的维度 2
dimensions: 每个维度的数量
strides: 每一行 12字节 每个数4字节
data: 实际数据地址引用，必须同类型数据，顺序存储

访问数据的时候常操作元数据
改变数据的维度的时候，也是操作元数据

数组的属性

shape 具体维度

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

b = np.array([1,2,3]).reshape(3,1)
b.shape --> (3,1)
b.shape = (3,)  -->变为一维数组

dtype 数据类型
size 所有元素数

b.dtype  #数据类型
c = b.astype("int32") #转换数据类型,并返回新数组

c.size #元素数
c.nbytes #共占据多少内存
c.ndim #数据维度
c.shape #具体的维度，每个维度都有多少值

numpy 数据类型

数据类型