python-numpy

一、 使用numpy生成数组，得到ndarray的类型

ndarry指Numpy最重要的一个特点：N维数组对象，该对象是一个快速而灵活的大数据集容器。

import numpy as np

#使用numpy生成数组，得到ndarray的类型
t1=np.array([1,2,3])
print(t1)
print(type(t1))

t2=np.arange(4,10,2)
print(t2)
print(type(t2))

print(t2.dtype)

还可以使用zeros和ones分别可以创建指定长度或形状的全0或者全1的数组，empty可以创建一个没有任何具体值的数组。

print(np.zeros(10))
print(np.zeros((3,6)))

数组创建函数：

二、NumPy - 数据类型

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

序号	数据类型及描述
1.	bool_ 存储为一个字节的布尔值（真或假)
2.	int_ 默认整数，相当于 C 的long，通常为int32或int64
3.	intc 相当于 C 的int，通常为int32或int64
4.	intp 用于索引的整数，相当于 C 的size_t，通常为int32或int64
5.	int8 字节（-128 ~ 127）
6.	int16 16 位整数（-32768 ~ 32767）
7.	int32 32 位整数（-2147483648 ~ 2147483647）
8.	int64 64 位整数（-9223372036854775808 ~ 9223372036854775807）
9.	uint8 8 位无符号整数（0 ~ 255）
10.	uint16 16 位无符号整数（0 ~ 65535）
11.	uint32 32 位无符号整数（0 ~ 4294967295）
12.	uint64 64 位无符号整数（0 ~ 18446744073709551615）
13.	float_ float64的简写
14.	float16 半精度浮点：符号位，5 位指数，10 位尾数
15.	float32 单精度浮点：符号位，8 位指数，23 位尾数
16.	float64 双精度浮点：符号位，11 位指数，52 位尾数
17.	complex_ complex128的简写
18.	complex64 复数，由两个 32 位浮点表示（实部和虚部）
19.	complex128 复数，由两个 64 位浮点表示（实部和虚部）

NumPy 数字类型是dtype（数据类型）对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。

三、数据类型的操作

1. 求数据类型
   print(t1.dtype)
2. 指定数据类型：
   t1=np.array([1,2,3,4,5],dtype=bool/float/int/unit)
3. 修改数据类型：
   t1.astype(“i1”)或者使用t1.astype(np.int8)
4. 随机数：
   random.random()
5. 生成十个小数：
   t6=np.array([random.random() for i in range(10)])
   修改小数位数：
6. t7=np.round(t6,2) #t6取两位小数
   举例：

#numpy中的数据类型
t3=np.array((range(1,4)),dtype="i1")
print(t3)
print(type(t3))
print(t3.dtype)

t5=np.array([1,1,0,1,0,0],dtype=bool)
print(t5)
print(t5.dtype)

#numpy中的小数
t6=np.array([random.random() for i in range(10)]) #生成十个小数
print(t6)
print(t6.dtype)

#取几位小数
t7=np.round(t6,2) #t6取两位小数
print(t7)
print(t7.dtype)

结果：

四、数组的运算

数组很重要，因为它使你不用编写循环即可对数据执行批量运算。

1. t1.shape()结果有几个数字就是几维 ：
   一个数字就是一维数组，两个就是二维数组…
2. t1.reshape()重组：
   一维:（（24，））二十四个元素 元素个数的计算方法：（t1.shape(0)*t1.shape(1）
   二维：（（2，3））二行三列
   三维：（（2，3，4））两组三行四列
3. 将未知数量的数组变为一维：
   t1.flatten()

大小相等的数组之间的任何算术运算都会将运算应用到元素级：

arr=np.array([[1.,2.,3.],[4.,5.,6.]])
print(arr)
print(arr*arr)
print(arr-arr)

数组与标量的算术运算会将标量值传播到各个元素：

print(1/arr)
print(arr**0.5)

大小相同的数组之间的比较会生成布尔值数组：

arr2=np.array([[0.,4.,1.],[7.,2.,12.]])
print(arr2)
print(arr2>arr)

加减乘除
当维度相同并且行列相同可以加减乘除
but当维度不同时，行列数相同可以加减乘除
当行列数不同时，当其中一个行数为一，两个地列数相同可以加减乘除

五、轴

轴0作为行，轴1作为列

在多维数组中，如果省略了后面的索引，则返回对象会是一个维度低一点的ndarray（它含有高一级维度上的所有数据）。

六、通用函数（ufunc）

一些一元和二元ufunc

1.一元ufunc：

2.二元ufunc：

七、统计方法、排序及唯一化和它的集合逻辑

1.统计方法：

在上面这些方法中，布尔值会被强制转换为1（True）和0（False）。因此，sum经常被用来对布尔型数组中的True值计数：

arr = np.random.randn(100)
print((arr>0).sum())

另外还有两个方法any和all，它们对布尔型数组非常有用。any用于测试数组中是否存在一个或多个True，而all则检查数组中所有值是否都是True：

bools=np.array([False,False,True,True])
print(bools.any())
print(bools.all())

2.排序：

排序：t1.sort()

3.唯一化及它的集合逻辑：

唯一化：t1.unique()
数组的集合运算：

八、数组的文件输入输出

代码	作用
np.save()	读写磁盘数组数据
np.load	读写磁盘数组数据
np.savez	将多个数组保存到一个未压缩文件中
numpy.savez_compressed	将数据压缩

如果文件路径末尾没有扩展名.npy，则该扩展名会被自动加上。然后就可以通过np.load读取磁盘上的数组