Numpy-- Numeric python :是python 的一种开源数值计算扩展。
1. 一个强大的N维数组；
2.比较成熟的（广播）函数库；
3. 用于整合c/c++ 和 Fortrant代码的工具包；
4.实用 的线性代表，傅里叶变换和随机数生成函数；
5.Numpy 和稀疏矩阵运算scipy 配合使用更加强大；
使用 Numpy.array() 由python list 创建
注意：* numpy默认ndarrey 的所有元素类型是相同的；
* 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float > int
1. 使用np.array（Python list）
n1 = np.array( [1,2,3,4] )
2, 使用 routines 创建
1） np.ones( shape , dtype=None , order = "c")
np.ones((3,4),dtype = str)
array([['1', '1', '1', '1'],
['1', '1', '1', '1'],
['1', '1', '1', '1']],
dtype='<U1')
2 ) np.zeros(shape , dtypt=None , order = 'c')
同上，只不过所有值为 ‘ 0’
3） np.full(shape,fill_value,dtype= None,order = 'C')
同上，fill_value,为填充值，也就是想要的参数
4 ） np.eye(N,M=None,k=0,dtype=float)
对角线位置为 1 ，其他位置为 0
5） np.linspace(start, stop, num=50,endint=True,retste=False,dtype=None)
线性 均匀划分 num = 划分个np.linspace(1,20,10)数 、
np.linspace(1,20,10）
array([ 1. , 3.11111111, 5.22222222, 7.33333333,
9.44444444, 11.55555556, 13.66666667, 15.77777778,
17.88888889, 20. ])
6）np.arange([start,]stop,[step,]dtype=None)
np.arange(0,50,10)
array([ 0, 10, 20, 30, 40])
7)np.random.randint(0,150,size = 5) 随机生成 5 个数
8）np.random.randn(d0,d1,.....dn)
标准正太分布 d 为个数，一个即可
9）np.random.normal(loc = num,scale = 0,size = 100)
loc 正太分布的锚点， scale 表示波动范围 ，size 表示生成个数
10）np.random.random(size= none)
生成 0 到一 随机数字 ，size 表示生成个数或者维度（3,4,5）
2 ndarray 的基本操作
1).索引
与 python 列表相同，一维 与 多维 同理
2）切片
与 Python 相同 ，切片注意维度，左闭右开
3）变形 reshape
注意： 参数是一个元祖
num.reshape() 如果为负数，转换为 一维数组
4）级联
np.concatenate() 级联需要注意的点：
~级联参数是列表： 一定要加中括号或者小括号
~维度必须相同
~形状相符
~【重点】 级联的方向默认是 shape 这个tuple的第一个值所代表的维度方向
~ 通过 axis 参数 改变级联的方向
vstack 垂直级联 np.vstack
hstack 水平级联 np.hstack 多维数组使用 hstack 会降 一个维度
5） 切分 split ： 与分片不同，切片使用 split 函数 ，根据下标起开，显示所有
np.split（ary, indices_or_section,axis=0）
axis = 1 对列进行切分
vsplit 竖直方向切分
hsplit 水平方向切分
6） 副本
jupyter 中 所有的赋值运算不会为ndarray 的任何元素创建副本，
对赋值后的对象的操作，也对原来的对象生效
4 聚合操作
1) 最大 最小值 np.max / np.min
axis 的值为 各个维度的下标，最大值为 len(n.shape - 1)
2) 平均值 np.mean
3) 求和 np.sum
4) 求数组里最小值的下标 np.argmin(array)
5) 求数组里最大值的下标 np.argmax(array)
6) 寻找数组里符合条件的值 np.argwhere( )
7) 将一维数组里面的某几个值转换为需要的的 多维数组
n7 = np.array([31, 50, 50, 46, 94, 18, 53, 2, 10, 94])
n8 = n7[np.array[ [0], [1] ]
n8 = np.array([ [31], [50] ])
n8.shape = ( 2, 1 )
五，矩阵 的加减乘除
六 ndarray 的排序