Numpy
功能十分强大的python扩展库，数学库，主要用于数组计算。

1 Numpy 对象

• N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引
• ndarray 中的每个元素在内存中都有相同存储大小的区域
• ndarray 内部由以下内容组成：
  • 一个指向数据（内存或内存映射文件中的一块数据）的指针
  • 数据类型或 dtype，描述在数组中的固定大小值的格子
  • 一个表示数组形状（shape）的元组，表示各维度大小的元组
  • 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数

2 Numpy创建

numpy.array 构造器来创建

# order:创建数组的样式，C为行方向，F为列方向，A为任意方向
# numpy.array(object,dtype = None, copy =True, order = None, subok = False, ndmin = 0)

a = np.array([1,2,3])
b = np.array([[1,2],[3,4]]) # 二维数组，外面必须有一层方括号
c = np.array([1,2,3],dtype = complex) #复数

print(a)
print(b)
print(c)

numpy.empty

numpy.empty方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组

#order - "C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。
# numpy.empty(shape,dtype = float, order = 'C')
x = np.empty([3,2],dtype = int) #创建一个3行2列，未初始化的数组
print(x)

numpy.zeros

numpy.zeros创建指定大小的数组，数组元素以 0 来填充

#numpy.zeros(shape, dtype = float, order = 'C')
y = np.zeros([2,5],dtype = int)  #[2,5]圆括号、方括号 好像都行
print(y)

numpy.ones

numpy.ones创建指定形状的数组，数组元素以 1 来填充

#numpy.ones(shape, dtype = None, order = 'C')
y = np.ones((2,5),dtype = int)  #[2,5]圆括号、方括号 好像都行
print(y)

numpy.arange

numpy.arange创建数值范围并返回 ndarray 对象

# start,stop指定范围，step设定步长，dtype数据类型生成ndarry
# numpy.arange(start,stop,step,dtype)
x = np.arange (10,20,2) # 10~20步长2，不包含20
y = np.arange(5) # 到5结束，默认0开始，步长1
print(x)
print(y)

Numpy索引

• 通过冒号分隔切片参数 start:stop:step 来进行切片操作。
• 切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。 如果在行位置使用省略号，它将返回包含行中元素的 ndarray。

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a,'\n')

print(a[1,:]) #第2行元素
print(a[1,...],'\n')

print(a[:,1]) # 第2列元素
print(a[...,1],'\n')

print(a[1:,:]) # 第2行及剩下的所有元素
print(a[1:,...],'\n')

print(a[:,1:]) # 第2列及剩下的所有元素
print(a[...,1:],'\n')

3 Numpy常用操作

numpy.reshape

numpy.reshape 函数可以在不改变数据的条件下修改形状

numpy.reshape(arr,newshape,order = ‘C’)

a = np.arange(8)
print('a:\n',a)

b = a.reshape(4,2)
print("b:\n",b)

numpy.transpose

numpy.transpose 函数用于对换数组的维度,numpy.ndarray.T 类似 numpy.transpose

# numpy.transpose(arr,axes)
a = np.arange(8).reshape(4,2)
print("a:\n",a)

print("对换维度:\n",np.transpose(a))

numpy.expand_dims

numpy.expand_dims 函数通过在指定位置插入新的轴来扩展数组形状

# numpy.expand_dims(arr,axis)
a = np.array([[1,2],[3,4]])
print("a:\n",a)
b = np.expand_dims(a,axis = 0)
print("b:\n",b)
print("数组a和数组b形状:\n",a.shape, b.shape)

b = np.expand_dims(a,axis = 1)
print("b:\n",b)
print("数组a和数组b形状:\n",a.shape, b.shape)

b = np.expand_dims(a,axis = 2)
print("b:\n",b)
print("数组a和数组b形状:\n",a.shape, b.shape)

numpy.squeeze

numpy.squeeze 函数从给定数组的形状中删除一维的条目

# numpy.squeeze(arr,axis)
a = np.arange(9).reshape(1,3,3)
print("a:\n",a)
b = np.squeeze(a)#去掉第一个维度
print("b:\n",b)
print("数组a和数组b形状:\n",a.shape, b.shape)

## numpy.concatenate
numpy.concatenate 函数用于沿指定轴连接相同形状的两个或多个数组

# numpy.concatenate((a1,a2,...),axis)
a = np.array([[1,2],[3,4]])
b = np.array([[5,6],[7,8]])
print(np.concatenate((a,b),axis = 0)) # 按行拼接
print('\n')
print(np.concatenate((a,b),axis = 1)) # 按列拼接