代码收藏家 python—Numpy库第一天学习
1基础概念与优缺点
1.1概念：Numpy是python的第三方扩展包，主要用来计算、处理数组
1.2优点：Numpy可以便捷高效地处理大量数据，可以构建多维数组
1.3与列表（list)的区别
Numpy构建数组，必须是同类型数据，list构建列表，不一定需要同类型
2.构建数组
2.1利用array创建数组
二维数组
import numpy as np
arr=np.array([[1,2,3],[4,5,6]],order="c",copy=True,ndmin=2,dtype=np.float64)
print(arr)
'''输出为
[[1. 2. 3.]
[4. 5. 6.]]
'''2.1.1array中的属性
order在Numpy库中，函数大多具有此属性）：以哪种内存布局创建数组，有C行优先，F列优先，A默认
C的存储方式是按照arr[0,1],arr[0,2],arr[0,3]……方式存储
F的存储方式是按照arr[1,0],arr[2,0],arr[3,0]……方式存储
例如2.1中的例子：C是先存储1，2，3，再存储4，5，6
当改为F时，是先存储1，4再存储2，5最后存储3，6
copy：表示是否能够复制，默认为可复制（Ture），不可复制为False
ndmin：用于指定数据维度
维度可以理解为：数据外有几个[],就是几维：例如以上二维数组：[[1,2,3],[4,5,6]]表示二维数组，但维度序号是0，1。
dtype：表示数组的数据类型,有整数（int）、小数（浮点数）（float）、虚数（complex）8个字节为一个字符，如：int8，int16，float8，float16，complex64…..也可以缩写：i1，i2
f1，f2,c8….S表示字节串，a表示字符串如S8，a8
2.2利用empty创建数组
import numpy as np
arr=np.empty(shape=(2,3),dtype='i1',order='C')
print(arr)此为创建一个二行三列的只有一个字符的整数数组
shape：表示创建数组的形状
但empty创建数组，数组里的元素是随机的
2.3zeros与ones创建数组
import numpy as np
arr=np.zeros(shape=(2,3),dtype='i1',order='C')
print(arr)
'''
输出为
[[0 0 0]
[0 0 0]]
'''与前empty创建不同的点为：用zeros创建，元素都为0
用ones创建，元素都为1
import numpy as np
arr=np.ones(shape=(2,3),dtype='i1',order='C')
print(arr)
'''
输出为
[[1 1 1]
[1 1 1]]
'''2.4arange创建数组
import numpy as np
arr1=np.arange(1,10,2,dtype='i1')
print(arr1)
'''
输出为：
[1 3 5 7 9]
'''arange创建数组，就是从开始到结束（不包含）利用步长生成数组，步长默认为1，上图中的是（开始，截止，步长，数据类型）从1开始，到10结束，不包含10，步长为2
2.5linspace
import numpy as np
arr1,step=np.linspace(1,10,4,endpoint=True,retstep=True,dtype='i1')
print(step)
print(arr1)
'''
输出为：
3.0
[ 1 4 7 10]
'''与arange创建数组相似，但最后一位是产生的数量，也就是说把1到10平均分成4份，默认是50份。
endpoint：默认为 True，表示数列包含 stop 终止值，反之不包含
retstep：表示是否返回步长。如果为 True，则返回一个包含数组和步长的元组；如果为 False，则只返回数组。默认为 False。
2.6full创建数组
import numpy as np
arr1=np.full((1,3),4,dtype='i1',order="c")
print(arr1)
'''
输出为：
[[4 4 4]]
'''full与zeros、ones等类似，首先是要生成的数组形状（1，3）一行三列，其次是4，表示用4填充
ful_like也是一样，但最开始要输入生成数组的形状变成了，需要生成数组与其他数组形状一样的数组，例如：
import numpy as np
arr1=np.full((1,3),4,dtype='i1',order="c")
arr2=np.full_like(arr1,5)
print(arr2)
'''
输出为：
[[5 5 5]]
'''3查看数组
3.1利用属性查看数组
3.1.1查看数组形状
利用shape属性查看
import numpy as np
arr=np.ones(shape=(2,3),dtype='i1',order='C')
print(arr.shape)
'''
输出为
(2, 3)
'''此表示创建的数组为两行三列
3.1.2查看数组维度
利用ndim查看维度，记住：此属性关键词为ndim与设定维度ndmin关键词有所不同
import numpy as np
arr=np.ones(shape=(2,3),dtype='i1',order='C')
print(arr.ndim)
'''
输出为:
2
'''表示生成的二维数组
3.1.3查看数组中元素的大小
itemsize查看数组中每个元素的大小，也就是字符数，字节为8表示一个字符数
array_one = np.array([[1,2,3],[4,5,6]],dtype=np.int8)
print('array_one 数组中每个元素的大小：',array_one.itemsize) #输出：1表示每个元素只有一个字符
3.1.3查看内存信息
array_one = np.array([[1,2,3],[4,5,6]])
print('array_one 数数组的内存信息：\n',array_one.flags)
'''
输出：
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
'''C_CONTIGUOUS:表示数组在内存中是 C 风格连续的（行优先）。如果为 True，则数组是 C 风格连续的。
F_CONTIGUOUS:表示数组在内存中是 Fortran 风格连续的（列优先）。如果为 True，则数组是 Fortran 风格连续的。
OWNDATA:表示数组是否拥有自己的数据（即是否是视图）。如果为 True，则数组拥有自己的数据；如果为 False，则数组可能是从另一个数组或对象借用数据的。
WRITEABLE:表示数组是否可写。如果为 True，则数组是可写的；如果为 False，则数组是只读的。
ALIGNED:
表示数组是否对齐。
如果为 True，则数组的数据在内存中是对齐的。
WRITEBACKIFCOPY:
表示数组是否是通过 np.copy 创建的副本，并且需要将更改写回原始数组。
如果为 True，则数组是通过 np.copy 创建的副本，并且需要将更改写回原始数组。
UPDATEIFCOPY:表示数组是否是通过 np.copy 创建的副本，并且需要将更改写回原始数组。
如果为 True，则数组是通过 np.copy 创建的副本，并且需要将更改写回原始数组。
3.2查看数组元素
3.2.1一维数组
一维数组可以直接利用for循环查看每个元素：
import numpy as np
arr=np.array([1,2,3,4,5,6],dtype='i1',order='C')
for i in arr:
print(i)
'''
输出为:
1
2
3
4
5
6
'''3.2.2一维及多维元组元素查看
3.2.2.1利用flat查看
import numpy as np
arr=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
for i in arr.flat:
print(i)
'''
输出为:
1
2
3
4
5
6
'''flat返回一个迭代器，会将数组视为一个扁平化的一维数组，按行优先的顺序遍历所有元素。
3.2.2.2利用flatten查看
import numpy as np
arr=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
print(arr.flatten(order="C"))
'''
输出为:
[1 2 3 4 5 6]
'''其中order可以选的：C：按行优先顺序展开（默认），F：按列优先顺序展开。A：如果原数组是 Fortran 连续的，则按列优先顺序展开；否则按行优先顺序展开。K：按元素在内存中的顺序展开。
3.2.2.3利用ravel查看
import numpy as np
arr=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
print(arr.ravel(order="C"))
'''
输出为:
[1 2 3 4 5 6]
'''与flatten相似，但ravel是视图，flatten是副本，也就是说：ravel中某个元素改变，原数组的那个元素也改变，但flatten不会影响原数组
3.2.2.4bool索引
返回True或False
例如：
import numpy as np
arr=np.array([[1,2,3],[4,5,6],[7,8,9]],dtype='i1',order='C')
bool_dix=arr>5
print(bool_dix)
print("====")
print(arr[bool_dix])
'''
输出为:
[[False False False]
[False False True]
[ True True True]]
====
[6 7 8 9]
'''数组[bool类型的索引]会返回满足条件的列表
3.3切片查看
3.3.1一维数组查看
利用slice函数从原数组中切割一个新数组
import numpy as np
arr=np.array([1,2,3,4,5,6],dtype='i1',order='C')
result=slice(0,len(arr),2)
print(arr[result])
'''
输出为:
[1 3 5]
'''slice(（开始，截止），步长）与创建函数的arange相似
3.3.2一维与多维函数
利用[]经行切片
import numpy as np
arr=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
print(arr[0,1])
print(arr[0:,1])
print(arr[:1,1])
print(arr[1:2, 1:2])
'''
输出为:
2
[2 5]
[2]
[[5]]
'''类似与列表切片，但元组切片中间是“，”号“:”表示以后，如以上的print(arr[0:,1])表示，索引行为0及以后行的索引为1的列元素
一维函数还可以利用“：：”表示步长例：
import numpy as np
arr1=np.array([1,2,3,4,5,6],dtype='i1',order='C')
print(arr1[::2])
'''
输出为：
[1 3 5]
'''4改变数组
4.1改变数组形状
4.1.1reshape
import numpy as np
arr1=np.array([1,2,3,4,5,6],dtype='i1',order='C')
print(arr1)
print(arr1.reshape(2,3))
print(arr1)
'''
输出为：
[1 2 3 4 5 6]
[[1 2 3]
[4 5 6]]
[1 2 3 4 5 6]
'''reshape属性，不会改变原数组的数据形状，但reshape的元素改变，原数组的对应元素也会改变
4.1.2shape
import numpy as np
arr1=np.array([1,2,3,4,5,6],dtype='i1',order='C')
print(arr1)
arr1.shape=(2,3)
print(arr1)
'''
输出为：
][1 2 3 4 5 6]
[[1 2 3]
[4 5 6]]
'''shape是直接改变原数组的数组形状
4.2数组转置
transpose与.T方法是相同的，都是把原数组进行转置
import numpy as np
arr1=np.array([[1,2],[3,4]],dtype='i1',order='C')
arr2=np.array([[5,6],[7,8]],dtype='i1',order='C')
print(np.transpose(arr1))
print("=====")
print(arr2.T)
'''
输出为：
[[1 3]
[2 4]]
=====
[[5 7]
[6 8]]
'''4.3改变数组维度
4.3.1利用expand_dims添加维度
import numpy as np
arr1=np.array([[1,2],[3,4]],dtype='i1',order='C')
print(arr1)
print("===")
print(np.expand_dims(arr1,0))
'''
输出为：
[[1 2]
[3 4]]
===
[[[1 2]
[3 4]]]
'''如上图所示：expand_dims(arr1,0)在索引为0前加一维度，但不会改变原维度，但如果元素改变了，原数组也会改变
4.3.2利用aqueeze渐少维度
import numpy as np
arr1=np.array([[[1,2],[3,4]]],dtype='i1',order='C')
print(arr1)
print("===")
print(np.squeeze(arr1,0))
'''
输出为：
[[[1 2]
[3 4]]]
===
[[1 2]
[3 4]]
'''与expand_dims相似
4.3.3newaxis
它通常用于将一维数组转换为二维数组，或者在其他情况下增加数组的维度。
import numpy as np
arr1=np.array([1,2,3,4],dtype='i1',order='C')
print(arr1[:,np.newaxis])
print("===")
print(arr1[np.newaxis,:])
'''
输出为：
[[1]
[2]
[3]
[4]]
===
[[1 2 3 4]]
'''4.4连接数组
4.4.1hstack（水平堆叠）
import numpy as np
arr1=np.array([1,2,3,4,5,6],dtype='i1',order='C')
arr2=np.array([7,8,9],dtype='i1',order='C')
print(np.hstack((arr1,arr2)))
'''
输出为：
[1 2 3 4 5 6 7 8 9]
'''hstack简单来说就是吧行数相同的数组直接加到前数组中去
4.4.2vstack（垂直堆叠）
import numpy as np
arr1=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
arr2=np.array([[7,8,9],[10,11,12]],dtype='i1',order='C')
print(np.vstack((arr1,arr2)))
'''
输出为：
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
'''vstack简单来说就是把列数相同的数组，直接把后一个数组放到前数组的后面
4.5数组分割
4.5.1hsplit
import numpy as np
arr1=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
for i in np.hsplit(arr1,(1,2)):
print(i)
print("===")
'''
输出为：
[[1]
[4]]
===
[[2]
[5]]
===
[[3]
[6]]
===
'''hsplit就是按列索引分割，（索引是从0开始的）如上面（1，2）就是把列索引为1前面的分为一组（不包含1），再从列索引为2（不包含2）分割开
4.5.2vsplit
import numpy as np
arr1=np.array([[1,2,3],[4,5,6],[7,8,9]],dtype='i1',order='C')
for i in np.vsplit(arr1,(1,2)):
print(i)
print("===")
'''
输出为：
[[1 2 3]]
===
[[4 5 6]]
===
[[7 8 9]]
===
'''与hsplit相似，但hsplit是按照行索引分割的
5矩阵计算
5.1广播计算
当数组加上一个数组时，但他们的形状不同时，行或列较少的数组会广播自己，使自己和较长数组形状相同
import numpy as np
arr1=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
arr2=np.array([1,2,3],dtype='i1',order='C')
print(arr1+arr2)
'''
输出为：
[[2 4 6]
[5 7 9]]
'''例如以上数组相加：arr2因为比较短，所以广播自己使自己变成与arr1相同形状变成了arr2=[[1,2,3],[1,2,3]]最后相加，此方法只能用在多为加一维数组，且一维的列数与多维的相等
当加实数时，也是把实数广播进行加减
import numpy as np
arr1=np.array([[1,2,3],[4,5,6]],dtype='i1',order='C')
print(arr1+1)
'''
输出为：
[[2 3 4]
[5 6 7]]
'''先是把1广播维[[1,1,1],[1,1,1]]然后再经行计算
5.2自身计算（必须行和列相等）
利用linalg.det函数经行计算
import numpy as np
arr1=np.array([[1,2],[4,5]],dtype='i1',order='C')
print(np.linalg.det(arr1))
'''
输出为：
-2.9999999999999996
'''5.3一维或二维矩阵相乘
利用dot函数经行
import numpy as np
arr1=np.array([1,2],dtype='i1',order='C')
arr2=np.array([3,4],dtype='i1',order='C')
print(np.dot(arr1,arr2))
'''
输出为：
11
'''一维与一维矩阵相乘时，为点积运算，就是对应相乘相加，如上图为：1X3+2X4=11
多维乘多维时，为矩阵乘法运算：
import numpy as np
arr1=np.array([[1,2],[3,4]],dtype='i1',order='C')
arr2=np.array([[5,6],[7,8]],dtype='i1',order='C')
print(np.dot(arr1,arr2))
'''
输出为：
[[19 22]
[43 50]]
'''matmul是专门用于矩阵乘法的函数
import numpy as np
arr1=np.array([[1,2],[3,4]],dtype='i1',order='C')
arr2=np.array([[5,6],[7,8]],dtype='i1',order='C')
print(np.matmul(arr1,arr2))
'''
输出为：
[[19 22]
[43 50]]
'''
作者：2301_78324739
