Numpy

主要用于处理数据的计算。

shape：数组的维度，从最外层的【】向里数起，返回(外-->内的维数)

            eg：[1,2,3]  =(3,)   ([[[3,3,3],[3,31,1]],[[3,3,3],[3,31,1]]]) =(2, 2, 3)

从最外层的括号看起，数这个括号内有几个item，依次代表shape的每一位数。

每个维度表示一个定义，存储某一类数据。

每一维的item索引都从0开始。

！！！！！！！！

！！！！！！！！！！         这些方法都用于创建一个ndarray数组

numpy数组的维数是秩 rank

list的方法对ndarray也适用

1.a = np.array([ [], [], ...])    //n次嵌套就是n维数组

2.a = np.array([...], ndmin = n )   //指定数组维度

3.a = np.empty([3, 2], dtype = int)    //生成3行2列的int型随机数组

4.arange和切片同理，arange(start, end, step)

5.a = np.linspace(start, end, 差)

6.a = np.logspace(start, end, 个数)

numpy索引与切片：

索引：1.正常索引 从0开始    2.布尔索引：print(a [a > 6])

切片：1.同list    2.用slice函数设置，s = slice(start, end, step)    print(a[s])

---

数组操作：

1.reshape：改变数组维数，  a = a.reshape(3,4)。

注：reshape后的元素个数应和原来一样

2.

3.翻转数组：交换轴--np.swapaxes(from, to)

4.修改维度：

    增加：a = np.expand_dim(arr, axis)

    删除：a = np.squeeze(arr, axis)，

5.在 原轴上拼接数组：a = np.concatenate((a, b), axis = ?)

注：在哪个axis上拼接，这个轴上的长度可以不同，但是其他轴的长度必须相等。 

6.在 新轴上拼接数组：a = np.stack((a, b), axis = ?)    

   水平拼接：a = np.hstack((a, b))

   竖直拼接：a = np.vstack((a, b))

7.分割数组：

   a = np.spilt(a, num)：将a等分为num个大小相同的数组

   a = np.spilt(a, [b, c, d, e, .....])：按照位置分割

8.添加删除元素：

   a = np.append(a, values, axis = ?)， 当axis没写的时候默认返回一个一维数组。

   a = np.delete(a, obj, axis = ?)，obj是删除位置

9.插入元素：

   a = np.insert(a, obj, values, axis = ?)，obj是插入位置

常用函数：

1.字符串操作函数

2.数学函数：np.aroud()：四舍五入  np.floor()  np.ceil()：上下取整

3.统计函数：min max 方差。。。

副本与视图：

副本：深拷贝，改变数据不会影响原数据，物理位置不相同

视图：会影响，物理位置相同

使用原数组 切片 修改数据 会影响原数组数据

使用 view()方法会创建一个新数组，新数组的 维数变化不会影响原数据

使用 copy()方法会创建一个 副本，新的物理地址，完全不影响。

赋值：

a = b后，a和b就指向同一个物理地址，修改一个另一个会跟着变。

---

Matplotlib：

1.from matplotlib import pyplot as plt

plt.title()    plt.xlabel()    plt.ylabel()    plt.plot(x,y, marker = "")           

2.可以在marker添加格式，改变样式。

3.条形图：plt.bar()

4.频率分布直方图：plt.hist()

5. 子图绘制：plt.subplot()

---

广播机制：

当运算中两个数组的维度不同时，自动触发广播机制。

规则：

1.每个数组不为空。

2.将两个张量的形状信息右对齐，从右向左观看同一维度下，张量的轴长必须相等， 或者其中一个轴长为1， 或者其中一个轴长为空。