1、Numpy简介
NumPy（Numerical Python）
NumPy的出现一定程度上解决了Python运算性能不佳的问题，同时提供了更加精确的数据类型，使其具备了构造复杂数据类型的能力。
本身是由C语言开发，是个很基础的扩展，NumPy被Python其它科学计算包作为基础包，因此理解np的数据类型对python数据分析十分重要。
Numpy重在数值计算，主要用于多维数组（矩阵）处理的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多
1、高性能科学计算和数据分析的基础包
2、ndarray，多维数组，具有矢量运算能力，快速、节省空间
3、矩阵运算，无需循环，可完成类似Matlab中的矢量运算
4、用于读写磁盘数据的工具以及用于操作内存映射文件的工具
2、Numpy属性
Numpy的数组类被称作ndarray，通常被称作数组。
ndarray.ndim、ndarray.shape、ndarray.size、ndarray.dtype、ndarray.itemsize
import numpy as np
a = np.arange(15).reshape(3,5)
# [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]
print("数组的维度:", a.shape) # (3, 5)
print("数组轴的个数:", a.ndim) # 2
print("数组元素类型:", a.dtype) # int64
print("数组中每个元素大小:", a.itemsize) # 8
print("数组元素的总个数:", a.size) # 15
print("类型查询:", type(a)) # <class 'numpy.ndarray'>
# 创建一个数组
b = np.array([6,7,8])
print("数组:", b) # [6 7 8]
print("数组类型:", type(b)) # <class 'numpy.ndarray'>
3、创建ndarray的函数
多维的数组对象（矩阵）ndarray，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。注意：ndarray的下标从0开始，且数组里的所有元素必须是相同类型。
1.1、array()
import numpy as np
a = np.array([2,3,4])
print("数组a的元素类型:",a) #[2 3 4]
print("数组a的类型:",a.dtype) # int64
b = np.array([1.2,3.5,5.1])
print("数组b的元素类型：",b.dtype) # float64
1.2、zeros() /ones()/empty()
函数zeros创建一个全是0的数组，函数ones创建一个全1的数组，函数empty创建一个内容随机并且依赖于内存状态的数组。默认创建的数组类型(dtype)都是float64
np.zeros((3,4))
/*
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
*/
np.ones((2,3,4))
/*
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
*/
np.empty((2,3))
/*
array([[0., 0., 0.],
[0., 0., 0.]])
*/
1.3、arrange()
arange() 类似 python 的 range() ，创建一个一维 ndarray数组。
np_arrange = np.arange(10,20, 5, dtype=int)# >=10 && <20 && 跨度为5
print("", np_arrange) # [10 15]
print("元素类型：", np_arrange.dtype) # int64
print("类型：", type(np_arrange)) # <class 'numpy.ndarray'>
1.4、matrix()
matrix 是 ndarray 的子类，只能生成 2 维的矩阵
x1 = np.mat("1 2;3 4")
print(x1) # [[1 2] [3 4]]
x2 = np.matrix("1 2;3 4")
print(x2) # [[1 2] [3 4]]
x3 = np.matrix([[1,2,3,4],[5,6,7,8]])
print(x3) # [[1 2 3 4] [5 6 7 8]]
1.5、随机数组
# 指定维度（3行,4列）随机多维浮点类型数据（二维），rand区间（0.0~1.0）
arr = np.random.rand(3,4)
# 指定维度（3行,4列）随机多维整型数据（二维），randint区间 [-1~5)
arr = np.random.randint(-1,5, size = (3, 4))
# 指定维度（3行,4列）随机多维浮点型数据（二维），uniform区间 [-1~5)
arr = np.random.uniform(-1,5, size = (3, 4))
1.6、ndarray的数据类型
dtype参数，指定数组的数据类型
astype方法，转换数组的数据类型
# 初始化3行4列数组，数据类型为float64
zero_float_arr = np.zeros((3,4), dtype = np.float64)
# [[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]]
# astype转换数据类型，将已有的数组的数据类型转换为int32
zero_int_arr = zero_float_arr.astype(np.int32)
# [[0 0 0 0] [0 0 0 0] [0 0 0 0]]
1.7、np.logspace等比/np.linspace等差数列
np.logspace等比数列
logspace中，开始点和结束点是10的幂
a = np.logspace(0,9,10) # 10的0次方到10的9次方步长为10的等差数列
# [1.e+00 1.e+01 1.e+02 1.e+03 1.e+04 1.e+05 1.e+06 1.e+07 1.e+08 1.e+09]
a = np.logspace(0,9,10, base=2) # 2的0次方到2的9次方步长为10的等差数列 。
# [ 1. 2. 4. 8. 16. 32. 64. 128. 256. 512.]
np.linspace等差数列
# 参数分别为 起始值，终止值，数列个数，是否包含终止值的等差数列
a = np.linspace(0,10,10, endpoint=False)
# [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
4、Numpy内置函数
4.1、基本函数
np.ceil() // 向上最接近的整数，参数是 number 或 array
np.floor() // 向下最接近的整数，参数是 number 或 array
np.rint() // 四舍五入，参数是 number 或 array
np.isnan() // 判断元素是否为 NaN(Not a Number)，参数是 number 或 array
np.multiply() // 元素相乘，参数是 number 或 array
np.divide() // 元素相除，参数是 number 或 array
np.abs() // 元素的绝对值，参数是 number 或 array
np.where(condition, x, y) // 三元运算符，x if condition else y
4.2、统计函数
np.mean(), np.sum() // 所有元素的平均值，所有元素的和，参数是 number 或 array
np.max(), np.min() // 所有元素的最大值，所有元素的最小值，参数是 number 或 array
np.std(), np.var() // 所有元素的标准差，所有元素的方差，参数是 number 或 array
np.argmax(), np.argmin() // 最大值的下标索引值，最小值的下标索引值，参数是 number 或 array
np.cumsum(), np.cumprod() // 返回一个一维数组，每个元素都是之前所有元素的 累加和 和 累乘积，参数是 number 或 array
多维数组默认统计全部维度，axis参数可以按指定轴心统计，值为0则按列统计，值为1则按行统计。
4.3、比较函数
np.any(): 至少有一个元素满足指定条件，返回True
np.all(): 所有的元素满足指定条件，返回True
arr = np.random.randn(2,3) # (-1,1)之间的随机数
print(np.any(arr > 0)) # True
print(np.all(arr > 0)) # False
4.4、去重函数
np.unique():找到唯一值并返回排序结果，类似于Python的set集合
arr = np.array([[1,2,1], [2,3,4]])
print(np.unique(arr))
# [1 2 3 4]
4.5、排序函数
arr = np.array([2,3,6,4])
print(np.sort(arr)) # 返回新的数组
arr.sort()# 对原来数组进行修改
5、Numpy运算
5.1、基本运算
数组的运算是按照元素进行的
a = np.array([20,30,40,50])
b = np.arange(4)
c = a - b
5.2、矩阵乘积
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[1,2,3],[4,5,6]])
print(a * b)
print(a.dot(b))
print(np.dot(a,b))
/*
[[ 1 4 9]
[16 25 36]]
*/
