【1】数列的创建
1.使用numpy生成数列
import numpy as np
#t1,t2的效果相同
t1 = np.array(range(1,10,2))
t2 = np.arange(1,10,2)
print(t1,t2)
#[1 3 5 7 9] [1 3 5 7 9]
2.生成随机数
import numpy as np
t3 = np.random.random() #生成一个小于1的随机小数
print(np.round(t3,2)) #保留小数点后两位
t4 = np.random.random(2) #生成2个小于1的随机小数
【2】数列的计算
对 t5 直接进行 加/减/乘/除 时相当于矩阵中每个元素都进行了操作
t5 = np.arange(12)
t5 = t5.reshape(3,4)
t5 +=2
print(t5)
'''
[[ 2 3 4 5]
[ 6 7 8 9]
[10 11 12 13]]
'''
t5 -=2
t6 = np.arange(100,112).reshape(3,4)
print(t5,'\n\n',t6,'\n')
print(t5+t6)
'''
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[100 101 102 103]
[104 105 106 107]
[108 109 110 111]]
[[100 102 104 106]
[108 110 112 114]
[116 118 120 122]]
'''
不同维度的相加/相减：
二维数组如3x4，可以通过1x4的数组对每行进行相加/减/乘/除，也可以通过3x1的数组对每列进行相加/减/乘/除
（即二维数组某一维度上相同，可以进行运算）
import numpy as np
t5 = np.arange(12)
t5 = t5.reshape(3,4)
t7 = np.arange(4)
t8 = np.arange(3).reshape(3,1)
print(t5,'\n')
print(t5+t7,'\n')
print(t5-t8)
'''
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[ 0 2 4 6]
[ 4 6 8 10]
[ 8 10 12 14]]
[[0 1 2 3]
[3 4 5 6]
[6 7 8 9]]
'''
多维度的 ‘数组a’ 和 ‘数组b’ 进行运算的时候遵循广播原则，如：b为2x3x3维度，a为3x3或3x1维则可以进行运算（即从后往前数维数相同）
（3）赋值与拷贝
b = a ,c= b 时对a进行操作，b、c会同时发生变化。对b进行操作，a也会发生变化，因为三者相关联（指向同一内存）
若不想进行关联，可以使用copy
import numpy as np
a = np.arange(12).reshape(3,4)
b = a.copy()
# 或 b = a[:]
print(b)
'''
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
'''
【3】维度变化
reshape改变数组的维度，得到返回值，并不对自身发生改变，注意总元素必须可以分成所要的维度，否则会报错。
如：12个元素的数，可也分为3x4或2x6或2x3x1，但不能分成5x3
（1）多维降一维
import numpy as np
t5 = np.arange(12)
t6 = t6.reshape(-1)
t6 = t6.ravel()
t6 = t6.flatten()
（2）升维
单括号变双括号
不会对a本身进行改变，需要赋值
import numpy as np
a = np.array([1,2,3])
b = np.array([1,1,1])
print(np.mat(a))
a = a[np.newaxis,:]
print(a)
print(a.shape) #一行三列
#[[1 2 3]]
#[[1 2 3]]
#(1,3)
（3）转置
import numpy as np
a = np.array([1,2,3])
b = np.array([1,1,1])
print((a[:,np.newaxis]))
a = np.vstack(a)
#或a = a.reshape(3,1)
print(a)
print(a.shape) #三行一列
'''
[[1]
[2]
[3]]
[[1]
[2]
[3]]
(1, 3)
'''
也可以直接在定义的时候进行变化
import numpy as np
a = np.array([1,2,3]).reshape(3,1)
b = np.array([1,1,1])[:,np.newaxis]
print(a)
print(b)
'''
[[1]
[2]
[3]]
[[1]
[1]
[1]]
'''
【4】数列的合并
import numpy as np
a = np.array([1,2,3])
b = np.array([1,1,1])
c = np.vstack((a,b)) #vertical stack 垂直方向加
d = np.hstack((a,b)) #horizontal stack 水平方向加
print(c)
print(d)
'''
[[1 2 3]
[1 1 1]]
[1 2 3 1 1 1]
'''
concatenate 是vstack和hstack的合并，axis = 1 时对列坐标进行操作（相当于hstack），axis = 0 时对行坐标进行操作（相当于vstack）
扫描二维码关注公众号，回复：
12329828 查看本文章
import numpy as np
a = np.array([1,2,3]).reshape(3,1)
b = np.array([1,1,1])[:,np.newaxis]
c = np.concatenate((a,a,b),axis=1)
print(c)
d = np.concatenate((a,a,b),axis=0)
print(d)
'''
[[1 1 1]
[2 2 1]
[3 3 1]]
[[1]
[2]
[3]
[1]
[2]
[3]
[1]
[1]
[1]]
'''
【4】数列的分割
import numpy as np
a = np.arange(12).reshape(3,4)
print(a)
b = np.vsplit(a,3)
print(b)
c = np.hsplit(a,2)
print(c)
'''
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
'''
和concatenate一样，axis = 1 时（列操作：列分），axis = 0 时（行操作：行分）
import numpy as np
a = np.arange(12).reshape(3,4)
print(a)
b = np.split(a,2,axis=1)
print(b)
c = np.split(a,3,axis=0)
print(c)
'''
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
'''