一.课程介绍
NumPY（Numerical Python）是python的一种开源数值计算扩展。提供多维数组对象，各种派生对象（如掩码数组和矩阵），这种工具可用于存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure）结构要高效的多（该结构也可以用来表示矩阵（matrix）支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。
- 几乎所有从事python工作的数据分析师都利用NumPy的强大功能。
- 强大的N维数组
- 成熟的广播功能
- 用于整合C/C++和Fortran代码的工具包
- NumPy提供了全面的数学功能、随机生成器和线性代数功能
二.查看：
1.查看类型：
2.查看帮组文档：
3.数组查看操作：
- 数组.shape:查看数组尺寸形状;
- 数组.dtype：查看数据类型；
- 数组.itemsize：查看每个元素的大小（以字节为单位）;
- 数组.size：查看元素总数；
- 数组.ndim:查看数组维度/轴数；
3.1.shape和reshape区别：
-
shape是一个数组属性，它返回一个元组，这个元组描述了数组每一维的大小； -
reshape是一个数组方法，它用于改变数组的形状，但是不改变数组的数据内容。
【注意事项】：
- 当使用
reshape时，新形状的元素个数必须与原数组的元素个数相同。例如，不能将一个包含 6 个元素的数组reshape成形状为(3, 3)的数组，因为3*3 = 9，元素个数不匹配。 reshape方法返回一个新的数组，原数组本身的形状不会改变。如果想要在原数组上进行形状改变（如果可能的话），可以使用resize方法，不过resize方法的行为略有不同，它可能会根据新形状的要求对数据进行截断或填充。
三.数组创建：
- 查看方法的参数：shift + tab
1.数组创建：
创建数组的最简单的方法就是使用array函数，将python下的list转换为ndarray。
- 创建numpy数组：np.array(参数)
- 快速创建一维数组：np.arange(参数)
1.1.不同的创建方式：
- np.ones(参数)：数组全是1，shape定义数组大小；
- np.zeros（参数）：数组全是0；
- np.full(shape = 参数1，fill_value = 参数2)：参数2指定数组内容值
- np.lispace（）：等差数列
- np.arange（start,stop,step）:等差数列(step:相当于差值)
- np.logspace():等比数列（默认以10为底）
- np.set_printoptions(suppress = True):不显示科学计数法
【注意】对于ndarray结构来说，里面所有元素必须是统一类型的；若不是，则会自动向下转换。
2.随机模块：
- np.random.randint():随机取整数；
- np.random.randn():正态分布
- np.random.normal():正态分布
3.shuffle洗牌操作：
4.seed随机种子：
5.fill（）填充内容：
-
数组.fill(参数)：参数填充内容
四.数组形状操作：
1.np.newaxis增加维度：
2.squeeze去掉多余维度：
3.transpose转置：
4.concatenate/vstack、hstack拼接：
5.flatten/ravel拉平
五.文件IO操作：
1.保存、读取数组：
- 保存：
- save（'文件名',数组）：保存一个npy文件；
- savez（'文件名',名 = 数组，名 = 数组，……）：保存多个到一个.npz文件中。
- 读取：
- load（'文件名.后缀'）：读取存储的数组
- load('文件名.后缀')[名]：读取.npz文件的内容，读取之后相当于形成一个key-value类型的变量，通过保存时定义的key来获取相应的array。
2.读写csv、txt文件：
- np.savetxt('文件名'，数组，delimiter = '分隔符')；
- np.loadtxt('文件名'，数组，delimiter = '分隔符' )；
- 括号内的参数：
- delimiter指定分隔符
- skiprows去掉第几行
- usecols=（列数）:指定使用列数
- 括号内的参数：
六.网格、向量、初始化：
1.meshgrid构造网格：
2.构造行r、列c向量
3.初始化：
- zeros_like（数组）:创建的数组与所传入的数组（括号里的数组）类型一样；
- identity：单位矩阵： 只有主对角线位置为1，其余为0；
七.数据类型：
1.ndarray的数据类型：
- int：int8、uint8、int16、int32、int64
- float：float16、float32、float64
- str
2.转换：
2.1.array创建时指定：
- np.array(数组，dtype = '类型')
2.2.asarray转换时指定：
- np.asarray(数组，dtype = '类型')
【注意】不会改变原始的数组内容，创建了一个新数组。
2.3.结果时指定astype：
- 数组.astype('类型')
【注意】转换其数据类型为我们生成新的数组
八.数组运算：
1.加减乘除幂：
arr1 - arr2 # array([0, 2, 1, 1, 0])arr1 * arr2 # array([ 1, 0, 6, 12, 25])arr1 = np.array([2,4,6,9])
arr2 = np.array([1,2,3,3])
arr1 / arr2 # array([2., 2., 2., 3.])# 幂运算
arr1 ** arr2 # array([ 2, 16, 216, 729])arr1 = np.array([2,4,6,9])
arr2 = np.array([1,2,3,3])
arr1 // arr2 # array([2, 2, 2, 3])arr1 = np.array([1,2,3,4,5])
arr2 = np.array([1,1,2,3,5])
arr1 % arr2 # array([0, 0, 1, 1, 0])2.逻辑：
arr1 = np.array([1,2,3,4,5])
arr2 = np.array([1,0,2,3,5])
arr1 < 5 # array([ True, True, True, True, False])
arr1 >= 5 # array([False, False, False, False, True])
arr1 == 5 # array([False, False, False, False, True])
arr1 == arr2 # array([ True, False, False, False, True])
arr1 > arr2 # array([False, True, True, True, False])3.数组与标量：
arr = np.arange(1,10) # array([1, 2, 3, 4, 5, 6, 7, 8, 9])
arr1/arr # array([1. , 0.5 , 0.33333333, 0.25 , 0.2 , 0.16666667, 0.14285714, 0.125 , 0.11111111])
arr+5 # array([ 6, 7, 8, 9, 10, 11, 12, 13, 14])
arr * 5 # array([ 5, 10, 15, 20, 25, 30, 35, 40, 45])4.+=、-=、*=：
【注意】只会修改现有数组，而不是创建一个新数组。
【注意】不支持/=，支持//=。
九.四则运算：
1.multiply、dot乘：
- multiply:对应位置进行相乘
- dot:矩阵乘法
2.与、或、非：
十.索引、切片和迭代：
1.基本索引、切片：
1.1.一维数组：
1.2.二维数组：
【注意】遵循规则：先行后列，先一维后二维……
2.‘花式’索引：
十一.函数应用：
1.函数求和、积:
<1>sum+和：
- sum(参数)
【注意】axis值对应的是大括号 。
【解释】axis = 0也就是[[1,2,3],[4,5,6]]里面的大括号，最终变成单位块求和[1,2,3]+[4,5,6] =[5,7,9]；axis=1也就是内嵌的小括号：[1,2,3]的括号和[4,5,6]的括号去掉,[1+2+3,4+5+6]，块的相加：1+2+3=6……
<2>prod积：
- .prod()
2.最大/小值:
<1>求值：
<2>argmin求最大/小值索引 ：
- argmin()：求最小值索引
3.均值、标准差、方差：
<1>mean均值：
- .mean()
<2>std标准差：
- std()
<3>var方差 ：
- var()
4.round 四舍五入：
- round()
5.sort()排序：
- sort（）
<1>lexsort()升序降序：
- lexsort()
6.linspace(),searchsort()插入：
- linspace()：所要排序的数组;
- searchsort():所要插的位置索引
【注意】searchsort()中传入的数组必须是排好序的。
十二.复制和视图（了解）：
1.没有复制：
a = np.random.randint(0,100,size = (2,3))
b = a
b # array([[27, 39, 33], [92, 46, 63]])# a is b # True对应的是同一个内存对象
b[0,0] = 1024
display(a,b)
#结果是： array([[1024, 39, 33],[ 92, 46, 63]]) array([[1024, 39, 33], [ 92, 46, 63]])2.查看/浅拷贝：
- view():创建一个查看相同数据的新数组对象；
a = np.random.randint(0,100,size = (2,3))
b = a.view() # 使用a中数据创建一个新数组对象
a # array([[64, 34, 35],[92, 33, 84]])
b # array([[64, 34, 35],[92, 33, 84]])a is b # False不同名，但是对应同一个内存对象b.flags.owndata # False,b中数据不是自己的
a.flags.owndata # Trueb.base is a # True,b视图的根数据和a一样 b[0,0] = 1024
display(a,b) # 结果是array([[1024, 34, 35], [ 92, 33, 84]]) 换行 array([[1024, 34, 35], [ 92, 33, 84]])【注意】不同数组对象可以共享相同的数据。
3.深拷贝：
a = np.random.randint(0,100,size = (2,3))
b = a.copy() # 复制a中数据创给一个新数组对象b
b # array([[38, 85, 68], [90, 26, 57]])a is b # False不同名，也不是同一个内存对象b.flags.owndata # True
a.flags.owndata # Trueb.base is a # Falseb[0,0] = 1024 # b变a不变
display(a,b) # 结果是array([[38, 85, 68], [90, 26, 57]]) array([[1024, 85, 68], [ 90, 26, 57]])- copy()：应该在不需要原来数组的情况下，切片后调用。
- 例：假设a是一个巨大的中间结果，而最终结果b仅包含一小部分a，则在b使用切片进行构造时，应该制作一个深拷贝。
