网易云课堂：
https://study.163.com/course/courseMain.htm?courseId=1003240004
莫烦主页：
https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/
import numpy as np
array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵
print(array)
print('number of dim:',array.ndim) # 维度
print('shape :',array.shape) # 行数和列数
print('size:',array.size) # 元素个数
import numpy as np
# array：创建数组
# dtype：指定数据类型
# zeros：创建数据全为0
# ones：创建数据全为1
# empty：创建数据接近0
# arrange：按指定范围创建数据
# linspace：创建线段
# a = np.array([2,23,4]) # list 1d
# print(a)
# a = np.array([2,23,4],dtype=np.int)
# # a = np.array([2,23,4],dtype=np.int16)
# # a = np.array([2,23,4],dtype=np.int32)
# # a = np.array([2,23,4],dtype=np.int64)
# print(a.dtype)
# a = np.array([2,23,4],dtype=np.float)
# # a = np.array([2,23,4],dtype=np.float32)
# # a = np.array([2,23,4],dtype=np.float64)
# print(a.dtype)
# a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列
# print(a)
# a = np.zeros((3,4)) # 数据全为0，3行4列
# print(a)
# a = np.ones((3,4),dtype = np.int) # 数据为1，3行4列
# print(a)
# a = np.empty((3,4)) # 数据为empty，3行4列
# #创建全空数组, 其实每个值都是接近于零的数:
# print(a)
# a = np.arange(10,20,2) # 10-19 的数据，2步长
# print(a)
# a = np.arange(12).reshape((3,4)) # 3行4列，0到11
# print(a)
# #用 linspace 创建线段型数据:
# a = np.linspace(1,10,20) # 开始端1，结束端10，且分割成20个数据，生成线段
# print(a)
a = np.linspace(1,10,20).reshape((5,4)) # 更改shape
print(a)
import numpy as np
# a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
# b=np.arange(4) # array([0, 1, 2, 3])
# c=a-b # array([10, 19, 28, 37])
# c=a+b # array([10, 21, 32, 43])
# c=a*b # array([ 0, 20, 60, 120]) #对应位置的数字相乘，不是真正的矩阵乘法
# c=b**2 # array([0, 1, 4, 9]) 求各位置数字的平方，同理可求n次方
# c=10*np.sin(a)
# # array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
# print(b<3)
# # array([ True, True, True, False], dtype=bool) 判断b中各元素与3的大小
# a=np.array([[1,1],[0,1]])
# b=np.arange(4).reshape((2,2))
# print(a)
# # array([[1, 1],
# # [0, 1]])
# print(b)
# # array([[0, 1],
# # [2, 3]])
# c_dot = np.dot(a,b) #这是真正的矩阵乘法
# # array([[2, 4],
# # [2, 3]])
# c_dot_2 = a.dot(b) #这是矩阵乘法的另一种表示
# # array([[2, 4],
# # [2, 3]])
a=np.random.random((2,4))
# print(a)
# array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ],
# [ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
# np.sum(a) # 4.4043622002745959 对a中各个位置求和
# np.min(a) # 0.23651223533671784 对a中各个位置求min
# np.max(a) # 0.90438450240606416 对a中各个位置求max
#如果你需要对行或者列进行查找运算，就需要在上述代码中为 axis 进行赋值。
#当axis的值为0的时候，将会以列作为查找单元， 当axis的值为1的时候，将会以行作为查找单元。
print("a =",a)
# a = [[ 0.23651224 0.41900661 0.84869417 0.46456022]
# [ 0.60771087 0.9043845 0.36603285 0.55746074]]
print("sum =",np.sum(a,axis=1)) #对每行求和
# sum = [ 1.96877324 2.43558896]
print("min =",np.min(a,axis=0)) #对每列求min
# min = [ 0.23651224 0.41900661 0.36603285 0.46456022]
print("max =",np.max(a,axis=1)) #对每行求max
# max = [ 0.84869417 0.9043845 ]
import numpy as np
A = np.arange(2,14).reshape((3,4))
# array([[ 2, 3, 4, 5]
# [ 6, 7, 8, 9]
# [10,11,12,13]])
# print(np.argmin(A)) # 0 求A中最小值的位置参数，即第0个数字
# print(np.argmax(A)) # 11 求A中最大值的位置参数，即第11个数字
# print(np.mean(A)) # 7.5 求A中所有元素的均值
# print(np.average(A)) # 7.5
# print(A.mean()) # 7.5 这三种方式的作用是一样的
# print(A.median()) # 7.5 同样的，我们可以写出求解中位数的函数
# # 显示错误：AttributeError: 'numpy.ndarray' object has no attribute 'median'
# # 通过dir(A)查看，A 还真没有median这个属性，但是视频里可以运行，可能是版本问题
# from numpy import *
# print(median(A)) #可以这样实现
# print(np.cumsum(A))
# #累加函数。在cumsum()函数中：生成的每一项矩阵元素均是从原矩阵首项累加到对应项的元素之和。
# # [2 5 9 14 20 27 35 44 54 65 77 90]
# #相应的有累差运算函数：该函数计算的便是每一行中后一项与前一项之差。
# #故一个3行4列矩阵通过函数计算得到的矩阵便是3行3列的矩阵。
# print(np.diff(A))
# # [[1 1 1]
# # [1 1 1]
# # [1 1 1]]
# print(np.nonzero(A)) #求A中非0元素的位置
# #这个函数将所有非零元素的行与列坐标分割开，重构成两个分别关于行和列的矩阵。
# # (array([0,0,0,0,1,1,1,1,2,2,2,2]),array([0,1,2,3,0,1,2,3,0,1,2,3]))
# #上面结果中，第一个array是行坐标(如第一个数字是0)，第二个array是列坐标(如第一个数字是0)
# #这就表示A中位置第0行第0列的元素是nonzero
# #同样的，我们可以对所有元素进行仿照列表一样的排序操作
# A = np.arange(14,2, -1).reshape((3,4))
# # array([[14, 13, 12, 11],
# # [10, 9, 8, 7],
# # [ 6, 5, 4, 3]])
# print(np.sort(A)) #但这里的排序函数仍然仅针对每一行进行从小到大排序操作：
# # array([[11,12,13,14]
# # [ 7, 8, 9,10]
# # [ 3, 4, 5, 6]])
# print(msort(A)) #在列方向上排序
# # [[ 6 5 4 3]
# # [10 9 8 7]
# # [14 13 12 11]]
A = np.arange(14,2, -1).reshape((3,4))
# array([[14, 13, 12, 11],
# [10, 9, 8, 7],
# [ 6, 5, 4, 3]])
# print(np.transpose(A)) #矩阵的转置有两种表示方法：
# print(A.T)
# # array([[14,10, 6]
# # [13, 9, 5]
# # [12, 8, 4]
# # [11, 7, 3]])
# # array([[14,10, 6]
# # [13, 9, 5]
# # [12, 8, 4]
# # [11, 7, 3]])
print(np.clip(A,5,9))
#将A中元素进行替换，小于5的都换成5，大于9的都换成9 ，只保留5到9之间的原始数据
# array([[ 9, 9, 9, 9]
# [ 9, 9, 8, 7]
# [ 6, 5, 5, 5]])
import numpy as np
# A = np.arange(3,15)
# # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
# print(A[3]) # 6
# A = np.arange(3,15).reshape((3,4))
# """
# array([[ 3, 4, 5, 6]
# [ 7, 8, 9, 10]
# [11, 12, 13, 14]])
# """
# print(A[2]) #实际上这时的A[2]对应的就是矩阵A中第三行(从0开始算第一行)的所有元素。
# # [11 12 13 14]
# print(A[1][1]) # 8
# print(A[1, 1]) # 8
# print(A[1, 1:3]) # [8 9] 这一表示形式即针对第二行中第2到第4列元素进行切片输出（不包含第4列）
# for row in A: #此时它会逐行进行打印操作。如果想进行逐列打印，就需要稍稍变化一下：
# print(row)
# """
# [ 3, 4, 5, 6]
# [ 7, 8, 9, 10]
# [11, 12, 13, 14]
# """
# print(A.T)
# for column in A.T: # 对A进行转置，再将得到的矩阵逐行输出即可得到原矩阵的逐列输出
# print(column)
# """
# [ 3, 7, 11]
# [ 4, 8, 12]
# [ 5, 9, 13]
# [ 6, 10, 14]
# """
# A = np.arange(3,15).reshape((3,4))
# print(A.flatten()) # 不可以 print(A.flat()) ，它是个迭代器，不可打印
# # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
# for item in A.flat:
# print(item)
# #这一脚本中的flatten是一个展开性质的函数，将多维的矩阵进行展开成1行的数列。而flat是一个迭代器，本身是一个object属性。