1.NumPyの紹介
NumPyは、高性能の科学計算とデータ分析のための基本パッケージです。計算速度は、非常に使いやすいPython独自の関数よりもはるかに高速です。通常、インストールする必要はありません。Pythonは自動的にインストールされます。必要な場合：
pip3 install numpy
次にエクスポート
numpyをnpとしてインポート
2.一般的な方法
2.1最も一般的に使用される
2.2もっと
array.shape＆配列仕様array.ndimデータ次元array.dtype＆arrayデータ仕様numpy.zeros（dim1、dim2）＆dim1dim2のゼロ行列を作成numpy.arange（start、stop、step、dtype = None）return1次元array numpy.eye（n）/numpy.identity（n）＆create nnアイデンティティマトリックスnumpy.array（[…data…]、dtype = float64）データタイプを変換array.astype（numpy.float64）＆置換マトリックスデータフォームarray.astype（float）＆行列データフォーム配列を置き換えます*配列＆行列ドット乗算array [a：b]＆1次元データスライスarray.copy（）＆ビュー配列の代わりにndarrayのコピーを取得します[a] [ b] = array [a、b]＆Bothは同等ですname = np.array（['bob'、 'joe'、 'will']）res = name == 'bob' res = array（[True、False、False ]、dtype = bool）data [True、False、……]インデックス、True部分のみを要求し、False部分を削除し、ブールインデックスを介して配列内のデータを選択すると、常にデータのコピーが作成されます。data [[4,3,0,6]]インデックス、4行目、3行目、0行目、6行目を抽出して、新しい配列numpy.reshape（a、b）を作成します。abの1次元配列を次の形式に配置します。 ab array（[a、b、c、d]、[d、e、f、g]）は、[a、d]、[b、e]、[c、f]、である1次元配列を返します。 [d、g] array.T＆array numpy.random.randn（a、b）を転置し、a * bランダム配列numpy.dot（matrix_1、
3.ndarrayの作成とデータ型
3.1ndarrayの作成
array（）はリストを配列に変換し、オプションでdtypeを指定します
arange（）浮動小数点数をサポートする範囲のnumpyバージョン。Linspace（）はarange（）に似ています。3番目のパラメーターは配列の長さです。zeros（）は指定された形状に従ってすべて0の配列を作成します。 dtype。
**空の（）**
指定された形状とdtypeに従って空の配列（ランダム値）を作成します
**眼（）**
指定された辺の長さとdtypeに基づいて単位行列を作成します
3.2データ型
ndarrayデータ型：dtype：ブール型：bool_整数型：int_ int8 int16 int32 int64符号なし整数型：uint8 uint16 uint32 uint64浮動小数点型：float_ float16 float32 float64複合数値型：complex_ complex64 complex128
4.ゴツゴツしたインデックスとスライス
4.1一般的なインデックス
1配列とスカラー間の操作：加算、減算、乗算、除算の操作を直接実行できます（要素ごとに）a + 1 a * 3 1 // a a0.5 2同じサイズの配列間の操作：a + ba / b ab 3配列のインデックス：1次元配列：a [5]多次元配列：a [2] [3]またはa [2,3] 4配列のスライス：1次元配列：a [3： 6]、a [：5]多次元配列：a [3：6,1：7]、a [：、1：7]注：リストとは異なり、配列はスライス時に自動的にコピーされません。スライスされた配列は元の配列に影響します。[解決策：copy（）]
4.2ブールインデックス
1配列を指定して、配列内の5より大きいすべての数値を選択しますか？a [a> 5]
2配列を指定して、配列内の5より大きいすべての偶数を選択しますか？a [（a> 5）＆（a％2 == 0）]
3配列が与えられた場合、配列a [（a> 5）|（a％2 == 0）]内の5より大きいすべての数値と偶数を選択します。
4.3ファンシーインデックス
1配列の場合、1、3、4、6、および7の要素を選択して、新しい2次元配列を形成しますか？回答：a [[1,3,4,6,7]]
2：2次元配列の場合、最初と3番目の列を選択して新しい2次元配列を形成しますか？回答：a [：、[1,3]]
5. NumPy：一般的な関数と欠測値の表現
5.1単項関数
numpy.sqrt（array）平方根関数
numpy.exp（array）e ^ array [i] array
numpy.abs / fabs（array）は絶対値を計算します
numpy.square（array）は、array ** 2に等しい各要素の2乗を計算します
numpy.log / log10 / log2（array）各要素のさまざまな対数を計算します
numpy.sign（array）各要素の符号を計算します
numpy.isnan（array）各要素がNaNであるかどうかを計算します
numpy.isinf（array）各要素がNaNであるかどうかを計算します
numpy.cos / cosh / sin / sinh / tan / tanh（array）三角関数
numpy.modf（array）配列内の整数と小数を分離し、2つの配列として返します
numpy.ceil（array）は切り上げます。つまり、この数値よりも大きい整数を取ります（整数の場合は、それ自体を取ります）
numpy.floor（array）は切り捨てられます。つまり、この数値よりも小さい整数を取ります。
numpy.rint（array）の丸め
numpy.trunc（array）を0に丸めます
numpy.cos（array）サイン値numpy.sin（array）コサイン値numpy.tan（array）タンジェント値
5.2バイナリ関数：加算、減算、乗算
numpy.add（array1、array2）要素レベルの追加
numpy.subtract（array1、array2）要素レベルの減算
numpy.multiply（array1、array2）要素レベルの乗算
numpy.divide（array1、array2）要素レベルの除算array1 / array2
numpy.power（array1、array2）要素レベルのインデックスarray1 ^ array2
numpy.maximum / minimum（array1、aray2）要素レベルの最大値
numpy.fmax / fmin（array1、array2）要素レベルの最大値（NaNを無視）
numpy.mod（array1、array2）要素レベルの係数
numpy.copysign（array1、array2）は、2番目の配列の値記号を最初の配列の値にコピーします
numpy.greater / greater_equal / less / less_equal / equal / not_equal（array1、array2）ブール配列を生成するための要素レベルの比較演算
numpy.logical_end / logical_or / logic_xor（array1、array2）要素レベルの真理論理演算
5.3欠測値の表現
numpyに欠落している値があります
m = np.nan
m == m
np.isnan（m）
欠落している値を削除するには、〜メソッドを使用します。
d = np.array（[m、1,3,0]）
d [〜np.isnan（d）]
6. NumPy：数学的および統計的手法
一般的な機能：
c = np.array（[1.1、-2.9,3,4.6,5,4,7,8、-9.7,10]）
合計合計合計合計プレフィックスと平均
stdは標準偏差を見つけます
var分散を見つける
最小値を見つける
最大値を見つけるための最大値
argminは最小インデックスを見つけます
argmaxは最大インデックスを見つけます
セブン、NumPy：乱数の生成
乱数生成関数は、np.randomサブパッケージで一般的に使用される関数です。
randは、指定された形状（0から1までの数値）のランダム配列を生成しますrandintは、指定された形状のランダム整数を生成します
Choiceは、特定の形状に対してランダムな選択肢を生成します。シャッフルはrandom.shuffleと同じです。
ユニフォームは、指定された形状のランダム配列を生成します
コードの一部
コメントするには、完全なコードが必要です。
numpyをnpとしてインポート
x = np.array（[[1.0,0.0,0.0]、[0.、1.、2。]]）＃サイズが（2、3）の2次元配列を定義します
バツ
np.array（[[1.、0.、0。]、
[0.、1.、2。]]）
x.ndim＃配列の次元
2
x.shape＃配列の次元、返される形式（n、m）。ここで、nは行の数、mは列の数です。
（2、3）
x.size＃配列要素の総数
6
x.dtype＃Array要素タイプ
np.dtype（ 'float64'）＃64ビット浮動小数点
x.itemsize＃各要素が占めるバイトサイズ
8
x.data＃配列要素のバッファ
'' 'インデックス' ''
a = np.array（[1,2,3,4,5,4,7,8,9,10]）
a [a> 5＆（a％2 == 0）]＃次のように、角かっこを追加するのではなく、角かっこを追加することに注意してください。
＃出力：array（[1、2、3、4、5、4、7、8、9、10]）
a [（a> 5）＆（a％2 == 0）]
b = np.array（[1、-2,3,4,5,4,7,8、-9,10]）
np.sign（b）
np.modf（b）[0]＃2つの配列を返す
c = np.array（[1.1、-2.9,3,4.6,5,4,7,8、-9.7,10]）
np.ceil（c）
np.floor（c）
＃5.2
np.add（b、c）
np.subtract（b、c）
例：乗算（b、c）
np.maximum（b、c）
np.fmax（b、c）
np.mod（b、c）
np.logical_and（b、c）
＃5.3
m = np.nan
m == m
np.isnan（m）
d = np.array（[m、1,3,0]）
d [〜np.isnan（d）]
'' '6' ''
c = np.array（[1.1、-2.9,3,4.6,5,4,7,8、-9.7,10]）
np.sum（c）
np.cumsum（c）
np.mean（c）
例：argmin（c）
'''7'''
np.random.rand（3,2）
np.random.randint（3,4）
np.random.choice（3,4）