Numpy是Python科学计算中最常用的工具，包括SciPy以及Pandas等工具也有对NumPy的依赖，因此Python科学计算应当从NumPy开始。
ndarray
ndarray是NumPy的核心数据类型，包括Pandas的DataFrame类型也与它有互转的方法。按其名称ndarray来看用的比较多的是矩阵运算。
创建
# coding:utf8
import numpy as np
a = np.array([1, 2, 3, 4]) # 使用list初始化
b = np.array((5, 6, 7, 8)) # 使用tuple初始化
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) # 使用嵌套list初始化
print type(a) # <type 'numpy.ndarray'>
print b.shape # (4,)
print c.shape # (2, 4)
print c
# [[1 2 3 4]
# [5 6 7 8]]
c.shape = (4, 2) # 更改shape属性 也可指定为(4, -1) or (-1, 2)
print c
print c.dtype # int64
# ndarray在内存中连续存储，更改shape之后矩阵也随之更改
# [[1 2]
# [3 4]
# [5 6]
# [7 8]]
d = a.reshape(2, 2)
# 此时a与d共享内存空间
print d
t = a.astype(np.float64) # 转换类型
print t
# float64 的别名
print [key for key, value in np.typeDict.items() if value is np.float64]
自动生成数组
# coding:utf8
import numpy as np
# 数组的自动生成
# 0到1(不包括)以0.1为步长生成数组
a = np.arange(0, 1, 0.1)
print a
# [ 0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
print type(a)
# <type 'numpy.ndarray'>
# 0到1(使用endpoint确定是否包括，默认True)取10个数
b = np.linspace(0, 1, 10, endpoint=False)
print b
# [ 0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
c = np.linspace(0, 1, 10)
print c
# [ 0. 0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
# 0.66666667 0.77777778 0.88888889 1. ]
# 10**0 到 10**2 取等比3个
d = np.logspace(0, 2, 3, endpoint=True, base=10.0)
print d
# [ 1. 10. 100.]
print d.dtype # float64
e = np.zeros((2, 3), dtype='float')
print e
# [[ 0. 0. 0.]
# [ 0. 0. 0.]]
f = np.ones((2, 3), dtype='int')
print f
# [[1 1 1]
# [1 1 1]]
# 未初始化内存
g = np.empty((2, 4))
print g
# [[ 6.90359047e-310 6.90359047e-310 1.58101007e-322 3.16202013e-322]
# [ 0.00000000e+000 1.17133162e-316 1.17133162e-316 1.17133162e-316]]
# 填充
h = np.full((2, 3), 6.0)
print h
# [[ 6. 6. 6.]
# [ 6. 6. 6.]]
s = 'abcd'
i = np.fromstring(s, dtype=np.int8)
print i
# [ 97 98 99 100]
# 通过函数创建数组 这里输出乘法表
j = np.fromfunction(lambda x, y: (x + 1) * (y + 1), (9, 9), dtype=int)
print j
存取元素
# coding:utf8
import numpy as np
# 存取元素
a = np.arange(0, 10, 1)
print a
# [0 1 2 3 4 5 6 7 8 9]
# 切片
print a[3:5]
# [3, 4] 与list切片一致
print a[:5]
# [0 1 2 3 4] 省略0
print a[::-1]
# [9 8 7 6 5 4 3 2 1 0] 逆
print a[5:1:-2]
# [5 3]
a[2:4] = 100, 101
# 更改
print a
# [ 0 1 100 101 4 5 6 7 8 9]
# 高级用法
b = a[[1, 3, 6, 8]] # 取a的第1,2,6,8组成新的，不共享内存
c = a[np.array([[1, 3, 6, 8], [2, 5, 7, -3]])]
d = a[[1, 3, 6, 8, 2, 5, 7, -3]].reshape(2, 4)
print c == d # 2*4 的 True
# 判断
print a[a < 7] # [0 1 4 5 6]
e = np.arange(5, 0, -1)
# 长度一致，取True对应元素
print e[np.array([True, False, True, False, False])]
# [5， 3]
# randint(low, high, size, dtype)
f = np.random.randint(0, 10, 4)
print f
ufunc
# coding:utf8
import numpy as np
# ufunc
# 所谓的ufunc即对array每个数值进行操作的函数
a = np.linspace(0, 2*np.pi, 10)
print a
# 对a的每个值进行sin操作，输出也可指定为a
b = np.sin(a, out=a)
print a == b # 1*10 True
c = np.arange(6.0).reshape((2, 3))
print c
print c.item(1, 2) # 取c的1行2列（始于0行0列）
# 四则
d = np.arange(10)
e = np.arange(10, 0, -1)
f = np.arange(5)
print d + e
# print e + f # err
print np.add(d, e)
# np.add(x1, x2, out=x1)
# np.subtract() np.multiply()
# np.divide() np.true_divide() np.floor_divide()
# np.negative() np.power() np.mod() np.remainder()
# np.equal() np.not_equal() np.less() np.greater()
# np.logical_and() or not xor
函数库(常用部分)
# coding: utf8
import numpy as np
# 函数库
# 随机数
print np.random.rand(3, 4)
print np.random.randn(3, 4)
# 统计
a = np.random.randint(0, 10, (3, 4))
print a
print a.sum()
print a.sum(keepdims=True) # 保持维数
print a.var()
print a.mean()
print a.std()
print a.prod()
print np.average(a)
# 大小与排序
print a.max()
print a.min()
print a.argmin() # 最小值下标
print a.sort()
print np.median(a)
