目录

1.Numpy简介：

  Numpy用途：

2.Numpy的简单使用：

        2.1导入Numpy：

        2.1查看numpy的版本：

​编辑3.NumPy - Ndarray 对象

        3.1ndarray属性：

 3.2 numpy.array参数构造

 3.3创建numpy数组：

3.4numpy库创建数组的集中内置函数：

4.numpy索引和切片：

        4.1索引：

        4.2切片：       

一维数组：

二维数组：

---

1.Numpy简介：

NumPy 是一个 Python 库。 英文是 “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用途：

• 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

2.Numpy的简单使用：

        2.1导入Numpy：

import numpy as np

 通常我们将numpy简称为np。

        2.1查看numpy的版本：

import numpy as np

print("numpy版本为：",np.__version__)

3.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。 可以使用基于零的索引访问集合中的项目。ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。

        3.1ndarray属性：

        维度：ndim ，直接返回维度数
        形状：shape，数字有几个就表示几维数组
        总长度：size，返回总数据量
        元素类型：dtype

n1 = np.random.randint(1,10,(3,5))
print(n1)
print("维度：%d，形状：%s，总长度：%s，元素类型：%s"%(n1.ndim,n1.shape,n1.size,n1.dtype))

 3.2 numpy.array参数构造

 
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
 

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	ndmin 指定返回数组的最小组数。

 3.3创建numpy数组：

n1=np.array()

示例1： 下面我们创建一个一维数组：

a = np.array([1,2,3])  
print(a)

输出如下：

[1, 2, 3]

实例2：下面是一个二维数组

a = np.array([[1,  2],  [3,  4]])  
print(a)

输出为：

[[1, 2] 
 [3, 4]]

示例3：便捷创建一个全为为0或者全为1的数组

a = np.zeros((3,3))
b = np.ones((3,2),dtype=np.float)
print(a)
print(b)

输出为：

3.4numpy库创建数组的集中内置函数：

arrange()函数用法：arange([start,] stop[, step,], dtype=None)，start 为起始数，stop 为结束数，创建一个连续的一维数组。

linspace()函数用法：np.linspace(start,stop,num)，创建一个包含 num 个数的等差数列，公差 d 等于多少由系统计算。

eye()函数用法：np.eye(N, M=None, k=0, dtype=<class ‘float’>, order=‘C’)，N 是行数，M 是列数，K 是偏移量，创建一个单位矩阵数组。

 normal()函数用法：normal(loc=0.0, scale=1.0, size=None)，loc 表示均值，scale 表示标准差，size等价于 shape ，创建一个服从正态分布的多维数组。

randn() 函数用法：randn(d0, d1, …, dn)，创建一个服从标准正态分布（X ~ N（0，1））的多维数组。也就是说，产生的数据大部分生成在0左右。

4.numpy索引和切片：

        4.1索引：

        在 ndarray 数组中，索引的使用有两种等价方式，即 n [M，N] = n [M][N]，M表示第一个维度，N表示第二个维度，若不止二维，以此类推，n[M，N，P，……]。        

n1 = np.random.randint(1,10,(3,5))
print(n1)
print("n1[2,3]=%s,n1[2][3]=%s"%(n1[2,3],n1[2][3]))

        4.2切片：       

numpy数组切片操作 列表用 [ ] 标识，支持字符，数字，字符串甚至可以包含列表（即嵌套）。,是 python 最通用的复合数据类型

一维数组：

a=[1,2,3.4,5]
print(a)
[ 1 2 3 4 5 ]

print(a[-1])     取最后一个元素
    结果：[5]
    
print(a[:-1])     除了最后一个取全部
    结果：[ 1 2 3 4 ]
    
print(a[1:])     取第二个到最后一个元素
    结果：[2 3 4 5]

print(a[::-1])     取从后向前（相反）的元素
结果：[ 5 4 3 2 1 ]
 
print(a[2::-1])     取从下标为2的元素**翻转读取**
结果：[ 3 2 1 ] 

s='abcdefg'
print(s[0:4] #输出abcd
print(s[0:4:2]) #步长为 2（间隔一个位置）来截取,输出ac

二维数组：

二维数组（逗号，）
X[n0,n1]是通过 numpy 库引用二维数组或矩阵中的某一段数据集的一种写法。
类似的，X[n0,n1,n2]表示取三维数组，取N维数组则有N个参数，N-1个逗号分隔。

取元素 X[n0,n1]
这是最基本的情况，表示取 第0维 的第 n0 个元素，继续取 第1维 的第 n1个元素。如 X[2,2] 表示第0维第2个元素[20,21,22,23],然后取其第1维的第2个元素即 22；

切片 X[s0:e0,s1:e1]
这是最通用的切片操作，表示取 第0维 的第 s0 到 e0 个元素，继续取 第1维 的第 s1 到 e1 个元素（左闭右开）。如 X[1:3,1:3] 表示第0维第(1:3)个元素[[10,11,12,13],[20,21,22,23]],然后取其第1维的第(1:3)个元素即 [[11,12],[21,22]]；

切片特殊情况 X[:e0,s1:]
特殊情况，即左边从0开始可以省略X[:e0,s1:e1]，右边到结尾可以省略X[s0:,s1:e1]，取某一维全部元素X[:,s1:e1]，事实上和Python 的 序列切片规则是一样的。

常见的 X[:,0] 则表示 第0维取全部，第1维取0号元素；
 

import numpy as np
X = np.array([[0,1,2,3],[10,11,12,13],[20,21,22,23],[30,31,32,33]])
#X 是一个二维数组，维度为 0 ，1；第 0 层 [] 表示第 0 维；第 1 层 [] 表示第 1 维；

# X[n0,n1] 表示第 0 维 取第n0 个元素 ，第 1 维取第 n1 个元素
print(X[1,0])
# X[1:3,1:3] 表示第 0 维 取 (1:3)元素 ，第 1 维取第(1:3) 个元素
print(X[1:3,1:3])

# X[:n0,:n1] 表示第 0 维 取 第0 到 第n0 个元素 ，第 1 维取 第0 到 第n1 个元素
print(X[:2,:2])
# X[:,:n1] 表示第 0 维 取 全部元素 ，第 1 维取 第0 到第n1 个元素
print(X[:,:2])

# X[:,0]) 表示第 0 维 取全部 元素 ，第 1 维取第 0 个元素
print(X[:,0])

输出：

10
[[11 12]
 [21 22]]
[[ 0  1]
 [10 11]]
[[ 0  1]
 [10 11]
 [20 21]
 [30 31]]
[ 0 10 20 30]

参考博客：Python中numpy数组切片：print(a[0::2])、[::-1]、[::2]、[:,2]、[1:,-1:]、[ : ,: -1]，[:,-2:]、[ : n]、[m : ]等含义（详细）_python中[::2]_锵锵锵锵~蒋的博客-CSDN博客【NumPy系列】基本操作 - 一_向阳花花花花的博客-CSDN博客