Numpy ?全名 Numerical Python
常見的標準引用 import numpy as np
ndarray: N維數(shù)組對象，其所有元素必須是相同類型，，其中含有兩種重要類型:
data1 = [6,7.5,8,0,1] ?# 浮點和整數(shù)算同一類型
arr1 = np.array(data1)
(1) shape：各維度大小的元組?
(2)dtype:數(shù)組類型的對象
import numpy as np
data1 = [6,7.5,8,0,1]# 浮點和整數(shù)算同一類型
arr1 = np.array(data1)
arr1.ndim
arr1.shape #(5,) 一維則數(shù)組長度
arr1.dtype # dtype('float64') 因為有7.5浮點數(shù)，則整個數(shù)組擴充為浮點型
data2 = [[1,2,3,4],[5,6,7,8]]#支持嵌套序列
arr2 = np.array(data2)
arr2.ndim
arr2.shape# (2, 4) 第一表示行，第二表示列
arr2.dtype#dtype('int32') 全部為整型，則dtype為整型
np.zeros(10) #長度為10，值全為0的數(shù)組
np.zeros((3,6)) #3行6列 ，值全為0的數(shù)組
np.ones(10) #長度為10，值全為1的數(shù)組
np.ones((3,6)) #3行6列 ，值全為1的數(shù)組
np.empty((2,3,4)) #2組 3行 4列 的數(shù)組，由于未初始化，里面為亂值
np.arange(15) #從0到14累加的15個值
np.eye(3) #創(chuàng)建正方N X N的單位矩陣(對角線為1外，其余為0)
arr1 = np.array([1,2,3],dtype=np.float64) #float雙精度浮點類型，8字節(jié)
arr1.dtype
arr2 = np.array([1,2,3],dtype=np.int32) #int類型，4字節(jié)
arr2.dtype
#支持類型轉(zhuǎn)化,32位整形轉(zhuǎn)64位浮點型
arr = np.array([1,2,3,4,5])
arr.dtype
float_arr = arr.astype(np.float64)
float_arr.dtype
#如果從浮點型轉(zhuǎn)整型，那么就自動去掉小數(shù)點后面的值，保留整數(shù)，不做四舍五入操作
arr = np.array([3.7,-1.2,-2.6,0.5,12.9,10.1])
arr
arr.astype(np.int32)
#字符串數(shù)組如果全為數(shù)字，可以轉(zhuǎn)成數(shù)值
numeric_strings = np.array(['1.25','-9.6','42'],dtype=np.string_)
numeric_strings.astype(float)
#轉(zhuǎn)化成其他數(shù)組的dtype
int_array = np.arange(10)
calibers = np.array([.22,.270,.357,.380,.44,.50],dtype=np.float64)
int_array.astype(calibers.dtype)
#支持簡寫類型
empty_uint32 = np.empty(8,dtype='u4')
#長度相等的數(shù)組之間任何算術(shù)運算都會將運算應用到元素級
arr = np.array([[1,2,3],[4,5,6]])
arr * arr
#數(shù)組切片是原始數(shù)組的視圖，也就是針對視圖的任何修改都直接反映到源數(shù)據(jù)組上
arr = np.arange(10)
arr
arr[5]
arr[5:8]
arr[5:8] = 12 #注意自動傳播，會將12自動替換掉索引5到8
arr
arr_slice = arr[5:8]
arr_slice[1] = 12345 # arr_slice中索引1對應arr中索引6
arr
arr_slice[:] = 64 # arr_slice中索引0，1，2，對應arr中索引6,7,8全部設(shè)置為64
arr
#如果要得到副本，而不是視圖，從而保證修改不影響源數(shù)組
arr_copy = arr[5:8].copy()
arr_copy[:] = 0
arr_copy
arr
#在二維數(shù)組中，數(shù)組索引則是一維數(shù)組
arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr2d[2]
#獲取指定的元素
arr2d[0][2]
arr2d[0,2]
#三維數(shù)組的處理,除了copy函數(shù)返回的值外，其他都返回視圖
arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
arr3d[0]# 這是二維數(shù)組 2X3數(shù)組
old_values = arr3d[0].copy()
arr3d[0] = 42
arr3d
arr3d[0] = old_values
arr3d
arr3d[1,0]
#切片索引
arr[1:6]
arr2d
arr2d[:2]
arr2d[:2,1:]
arr2d[1,:2]
arr2d[2,:1]
arr2d[:,:1]
arr2d[:2,1:] = 0
#關(guān)于布爾型索引
names = np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])
names
data = np.random.randn(7,4)
data
#數(shù)組的比較運算矢量化
names == 'Bob' #names中有'Bob'返回True,沒有的返回False
#names中有'Bob'返回True為索引0，3，對應data返回索引1即第1行,索引3即第4行
#注意:names中元素要和data的行數(shù)一致
data[names == 'Bob']
data[names == 'Bob',2:]
#如何取"Bob"以外的值
names != 'Bob'
data[-(names=='Bob')]
#選取三個名字中的兩個進行組合,這返回的是副本而不是視圖
mask = (names == 'Bob') |(names == 'Will')
mask
data[mask]
#布爾型數(shù)組比較大小時是對數(shù)組內(nèi)所有數(shù)值進行操作
data[data <0] = 0 #data中所有小于0的值都置為0
data[names != 'Joe'] = 7# 即把data中1，3，4，5行的數(shù)據(jù)全部設(shè)置成7
