NumPy - 简介
NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。
Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到 Numeric 包中来创建 NumPy 包。 这个开源项目有很多贡献者。
NumPy 操作
使用NumPy，开发人员可以执行以下操作：
数组的算数和逻辑运算。
傅立叶变换和用于图形操作的例程。
与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。
NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用。 这种组合广泛用于替代 MatLab，是一个流行的技术计算平台。 但是，Python 作为 MatLab 的替代方案，现在被视为一种更加现代和完整的编程语言。
NumPy 是开源的，这是它的一个额外的优势。
NumPy - Ndarray 对象
NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于0的索引访问集合中的项目。通常被称作数组。注意numpy.array和标准Python库类array.array并不相同，后者只处理一维数组和提供少量功能。基本的ndarray是使用 NumPy 中的数组函数创建的，代码如下
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
上面的参数的介绍
序号
| 参数及描述 | |
|---|---|
| 1. | object 任何暴露数组接口方法的对象都会返回一个数组或任何(嵌套)序列。 |
| 2. | dtype 数组的所需数据类型，可选。 |
| 3. | copy 可选，默认为true，对象是否被复制。 |
| 4. | order C(按行)、F(按列)或A(任意，默认)。 |
| 5. | subok 默认情况下，返回的数组被强制为基类数组。 如果为true，则返回子类。 |
| 6. | ndimin 指定返回数组的最小维数。 |
看看下面的例子来更好地理解。
#列一
#一维数组
import numpy as np np.array([1,2,3,4]) #输出结果 array([1, 2, 3, 4])
#列二
#二维数组
np.array([[1,2,3],[3,2,4]])
#输出结果
array([[1, 2, 3],
[3, 2, 4]])
#列三
np.array([1,2,34,54,6577],dtype=float)
#输出结果
array([ 1.00000000e+00, 2.00000000e+00, 3.40000000e+01,
5.40000000e+01, 6.57700000e+03])
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. | int1616 位整数(-32768 ~ 32767) |
| 7. | int3232 位整数(-2147483648 ~ 2147483647) |
| 8. | int6464 位整数(-9223372036854775808 ~ 9223372036854775807) |
| 9. | uint88 位无符号整数(0 ~ 255) |
| 10. | uint1616 位无符号整数(0 ~ 65535) |
| 11. | uint3232 位无符号整数(0 ~ 4294967295) |
| 12. | uint6464 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。
数据类型对象 (dtype)
数据类型对象描述了对应于数组的固定内存块的解释，取决于以下方面：
数据类型(整数、浮点或者 Python 对象)
数据大小
字节序(小端或大端)
在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
如果数据类型是子序列，它的形状和数据类型。
#类型的转换
a = np.array([[1,2,3],[3,2,4]])
a.astype(np.float64)
#结果
array([[ 1., 2., 3.],
[ 3., 2., 4.]])
#方法二a = np.array([[1,2,3],[3,2,4]],dtype=np.float64)
#输出结果
array([[ 1., 2., 3.],
[ 3., 2., 4.]])
NumPy - 数组属性
这一章中，我们会讨论 NumPy 的多种数组属性。
ndarray.shape 返回一个包含数组维度的元组，它也可以用于调整数组大小。
a = np.array([[1,2,3],[4,5,6]]) a.shape #输出结果 (2, 3)
#这会调整数组大小 NumPy 也提供了reshape函数来调整数组大小。
a = np.array([[1,2,3],[4,5,6]]).reshape(3,2)
#输出结果
array([[1, 2],
[3, 4],
[5, 6]])
ndarray.ndim 这一数组属性返回数组的维数。
a = np.array([[1,2,3],[4,5,6]])
a.ndim
#输出结果
2
a = np.arange(16).reshape(2,2,4)
a.ndim
#结果
numpy.itemsize 返回数组中每个元素的字节单位长度。
x = np.array(['sscss',232323,323232,4,5]) x.itemsize #输出结果 24
NumPy - 数组创建
numpy.empty 它创建指定形状和dtype的未初始化数组
dtype的未初始化数组示例
x = np.empty([2,2])
#输出结果
array([[ 9.33678148e-313, 1.10343781e-312],
[ 1.12465777e-312, 1.14587773e-312]])
注意：数组元素为随机值，因为它们未初始化。
numpy.zeros 返回特定大小，以 0 填充的新数组。
numpy.zeros(shape, dtype = float, order = 'C')
构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | Shape 空数组的形状，整数或整数元组 |
| 2. | Dtype 所需的输出数组类型，可选 |
| 3. | Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组 |
#列
x = np.zeros(6).reshape(2,3)
#输出结果
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
numpy.ones 定大小，以 1 填充的新数组。
和 numpy.zeros 的参数一样
#列
x = np.ones(6).reshape(2,3)
#输出结果
array([[ 1., 1., 1.],
[ 1., 1., 1.]])
NumPy - 来自现有数据的数组
numpy.asarray
此函数类似于numpy.array，除了它有较少的参数。 这个例程对于将 Python 序列转换为ndarray非常有用。#自我感觉和numpy.array使用方法。我是习惯用numpy.array
NumPy - 来自数值范围的数组
numpy.arange 这个函数返回ndarray对象，包含给定范围内的等间隔值。
ndarray对象，包含给定范围内的等间隔值。numpy.arange(start, stop, step, dtype)
构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | start 范围的起始值，默认为0 |
| 2. | stop 范围的终止值(不包含) |
| 3. | step 两个值的间隔，默认为1 |
| 4. | dtype 返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型 |
#列
x = np.arange(10,20,2) #输出结果 array([10, 12, 14, 16, 18])
numpy.linspace 此函数类似于arange()函数。 在此函数中，指定了范围之间的均匀间隔数量，而不是步长。 此函数的用法如下。
arange()函数。 在此函数中，指定了范围之间的均匀间隔数量，而不是步长。 此函数的用法如下。numpy.linspace(start, stop, num, endpoint, retstep, dtype)
构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | start 序列的起始值 |
| 2. | stop 序列的终止值，如果endpoint为true，该值包含于序列中 |
| 3. | num 要生成的等间隔样例数量，默认为50 |
| 4. | endpoint 序列中是否包含stop值，默认为ture |
| 5. | retstep 如果为true，返回样例，以及连续数字之间的步长 |
| 6. | dtype 输出ndarray的数据类型 |
NumPy - 来自数值范围的数组
这一章中，我们会学到如何从数值范围创建数组。
numpy.arange
这个函数返回ndarray对象，包含给定范围内的等间隔值。
numpy.arange(start, stop, step, dtype)
构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | start 范围的起始值，默认为0 |
| 2. | stop 范围的终止值(不包含) |
| 3. | step 两个值的间隔，默认为1 |
| 4. | dtype 返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。 |
下面的例子展示了如何使用该函数：
示例 1
import numpy as np
x = np.arange(5)
print x
输出如下：
[0 1 2 3 4]
示例 2
import numpy as np
# 设置了 dtype
x = np.arange(5, dtype = float)
print x
输出如下：
[0. 1. 2. 3. 4.]
示例 3
# 设置了起始值和终止值参数
import numpy as np
x = np.arange(10,20,2)
print x
输出如下：
[10 12 14 16 18]
numpy.linspace
此函数类似于arange()函数。 在此函数中，指定了范围之间的均匀间隔数量，而不是步长。 此函数的用法如下。
numpy.linspace(start, stop, num, endpoint, retstep, dtype)
构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | start 序列的起始值 |
| 2. | stop 序列的终止值，如果endpoint为true，该值包含于序列中 |
| 3. | num 要生成的等间隔样例数量，默认为50 |
| 4. | endpoint 序列中是否包含stop值，默认为ture |
| 5. | retstep 如果为true，返回样例，以及连续数字之间的步长 |
| 6. | dtype 输出ndarray的数据类型 |
下面的例子展示了linspace函数的用法。
示例
np.linspace(1,2,5, retstep = True) #输出结果 (array([ 1. , 1.25, 1.5 , 1.75, 2. ]), 0.25)
NumPy - 切片和索引
ndarray对象的内容可以通过索引或切片来访问和修改，就像 Python 的内置容器对象一样。
如前所述，ndarray对象中的元素遵循基于零的索引。 有三种可用的索引方法类型： 字段访问，基本切片和高级索引。
基本切片是
和列表的切片一样
#列
a = np.arange(10) a[3:6:2] #输出结果 array([3, 5])
#二维和三维数组的切片和索引
#先说二维
a = np.arange(16).reshape(4,4) a[1,:] #输出结果 array([4, 5, 6, 7])
这里的a[1,:] 这里的逗号前面的取的是行，可以用到列表的的切片，逗号后面的是列可以根据自己的需求来取
#三维
a = np.arange(18).reshape(2,3,3)
a[1,:,:]
array([[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]])
#这里a[1,:,:] ,这里的1 是所选的组 第二组，索引都是从0开始，第一个 ：是行，第二个：是列，可以根据自己需求取
NumPy - 高级索引
如果一个ndarray是非元组序列，数据类型为整数或布尔值的ndarray，或者至少一个元素为序列对象的元组，我们就能够用它来索引ndarray。高级索引始终返回数据的副本。 与此相反，切片只提供了一个视图。
有两种类型的高级索引：（整数）和布尔值。
#
（整数）索引
这种机制有助于基于 N 维索引来获取数组中任意元素。 每个整数数组表示该维度的下标值。 当索引的元素个数就是目标ndarray的维度时，会变得相当直接。
#列
x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] array([1, 4, 5])
#上面的索引该结果包括数组中(0,0)，(1,1)和(2,0)位置处的元素。
#高级和基本索引可以通过使用切片:或省略号...与索引数组组合。当切片用于两者时，结果是相同的。 但高级索引会导致复制，并且可能有不同的内存布局。
列
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
x[1:4,[1,2]]
#输出结果
array([[ 4, 5],
[ 7, 8],
[10, 11]])
这里取的是1到4行中的1和2列
布尔索引
当结果对象是布尔运算(例如比较运算符)的结果时，将使用此类型的高级索引
示例 1
这个例子中，大于 5 的元素会作为布尔索引的结果返回。
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
x[x>5]
#结果
array([ 6, 7, 8, 9, 10, 11])
x >5
#结果
array([[False, False, False],
[False, False, False],
[ True, True, True],
[ True, True, True]], dtype=bool)
示例 2
这个例子使用了~(取补运算符)来过滤NaN。
a = np.array([np.nan, 1,2,np.nan,3,4,5]) a[~np.isnan(a)] #输出结果 array([ 1., 2., 3., 4., 5.])
示例 3
以下示例显示如何从数组中过滤掉非复数元素。
a = np.array([1, 2+6j, 5, 3.5+5j]) a[np.iscomplex(a)] #结果 array([ 2.0+6.j, 3.5+5.j])
如有错误欢迎指正