一，含义

提供了一个在Python中做科学计算的基础库，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。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。NumPy数组是一个多维的数组对象（矩阵），称为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。ndarray的下标从0开始，且数组里的所有元素必须是相同类型。

二，ndarray的创建

1、ndarray的属性

1. ndim属性：维度个数
2. shape属性：维度大小
3. dtype属性：数据类型

2、ndarray的随机创建

示例代码：

# 导入numpy，别名np
import numpy as np

# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），rand固定区间0.0 ~ 1.0
arr = np.random.rand(3, 4)
print(arr)
print(type(arr))

# 生成指定维度大小（3行4列）的随机多维整型数据（二维），randint()可以指定区间（-1, 5）
arr = np.random.randint(-1, 5, size = (3, 4)) # 'size='可省略
print(arr)
print(type(arr))

# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），uniform()可以指定区间（-1, 5）
arr = np.random.uniform(-1, 5, size = (3, 4)) # 'size='可省略
print(arr)
print(type(arr))

print('维度个数: ', arr.ndim)
print('维度大小: ', arr.shape)
print('数据类型: ', arr.dtype)

显示结果：

ndarray的随机创建

3、ndarray的序列方式创建

（1）np.array(collection)

collection 为 序列型对象(list)、嵌套序列对象(list of list)。

示例代码：

# 导入numpy，别名np
import numpy as np

# list序列转换为 ndarray
lis = range(10)
arr = np.array(lis)

print(arr)            # ndarray数据
print(arr.ndim)        # 维度个数
print(arr.shape)    # 维度大小

# list of list嵌套序列转换为ndarray
lis_lis = [range(10), range(10)]
arr = np.array(lis_lis)

print(arr)            # ndarray数据
print(arr.ndim)       # 维度个数
print(arr.shape)      # 维度大小

显示结果：

（2） np.zeros()

 指定大小的全0数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。

（3） np.ones()

指定大小的全1数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。

（4） np.empty()

 初始化数组，不是总是返回全0，有时返回的是未初始的随机值（内存里的随机值）。

示例代码：

# 导入numpy，别名np
import numpy as np

# np.zeros
zeros_arr = np.zeros((3, 4))

# np.ones
ones_arr = np.ones((2, 3))

# np.empty
empty_arr = np.empty((3, 3))

# np.empty 指定数据类型
empty_int_arr = np.empty((3, 3), int)

print('------zeros_arr-------')
print(zeros_arr)

print('\n------ones_arr-------')
print(ones_arr)

print('\n------empty_arr-------')
print(empty_arr)

print('\n------empty_int_arr-------')
print(empty_int_arr)

显示结果：

ndarray的序列方式创建

（5）np.arange() 和 reshape()

 arange() 类似 python 的 range() ，创建一个一维 ndarray 数组。
 reshape() 将 重新调整数组的维数。

示例代码：

# 导入numpy，别名np
import numpy as np

# np.arange()
arr = np.arange(15) # 15个元素的 一维数组
print(arr)
print(arr.reshape(3, 5)) # 3x5个元素的 二维数组
print(arr.reshape(1, 3, 5)) # 1x3x5个元素的 三维数组

显示结果：

np.arange()

（6） np.arange() 和 random.shuffle()

random.shuffle() 将打乱数组序列（类似于洗牌）。

示例代码：

# 导入numpy，别名np
import numpy as np

arr = np.arange(15)
print(arr)

np.random.shuffle(arr)
print(arr)
print(arr.reshape(3,5))

显示结果：

np.arange() 和 random.shuffle()

三，数据类型

1、dtype参数

指定数组的数据类型，类型名+位数，如float64, int32

2、astype方法

转换数组的数据类型

# 导入numpy，别名np
import numpy as np

# 初始化3行4列数组，数据类型为float64
zeros_float_arr = np.zeros((3, 4), dtype=np.float64)
print(zeros_float_arr)
print(zeros_float_arr.dtype)

# astype转换数据类型，将已有的数组的数据类型转换为int32
zeros_int_arr = zeros_float_arr.astype(np.int32)
print(zeros_int_arr)
print(zeros_int_arr.dtype)

显示结果：

astype方法

四，ndarray矩阵处理

1、ndarray的矩阵运算

数组是编程中的概念，矩阵、矢量是数学概念。在计算机编程中，矩阵可以用数组形式定义，矢量可以用结构定义!

（1）相同大小的数组间运算应用在元素上

# 导入numpy，别名np
import numpy as np
# 矢量与矢量运算
arr = np.array([[1, 2, 3],
                [4, 5, 6]])
print("元素相乘：")
print(arr * arr)

print("矩阵相加：")
print(arr + arr)

显示结果：

矢量运算：相同大小的数组间运算应用在元素上

（2）将标量"广播"到各个元素

示例代码：

# 导入numpy，别名np
import numpy as np

arr = np.array([[1, 2, 3],
                [4, 5, 6]])
# 矢量与标量运算
print(1. / arr)
print(2. * arr)

显示结果：

矢量和标量运算："广播" - 将标量"广播"到各个元素

3、ndarray的索引与切片

（1）一维数组的索引与切片

与Python的列表索引功能相似

示例代码：

# 导入numpy，别名np
import numpy as np

# 一维数组
arr1 = np.arange(10)
print(arr1)
print(arr1[2:5])

显示结果：

一维数组的索引与切片

（2）多维数组的索引与切片

格式：arr[r1:r2, c1:c2]
     arr[1,1] 等价 arr[1][1]
     [:] 代表某个维度的数据

示例代码：

# 导入numpy，别名np
import numpy as np

# 多维数组
arr2 = np.arange(12).reshape(3,4)
print(arr2)

print(arr2[1])

print(arr2[0:2, 2:])

print(arr2[:, 1:3])

显示结果：

多维数组的索引与切片

（3）条件索引

布尔值多维数组：arr[condition]，condition也可以是多个条件组合。
多个条件组合要使用 & | 连接，而不是Python的 and or。

示例代码：

# 导入numpy，别名np
import numpy as np

# 找出 data_arr 中 2005年后的数据
data_arr = np.random.rand(3,3)
print(data_arr)

year_arr = np.array([[2000, 2001, 2000],
                     [2005, 2002, 2009],
                     [2001, 2003, 2010]])

is_year_after_2005 = year_arr >= 2005
print(is_year_after_2005, is_year_after_2005.dtype)

filtered_arr = data_arr[is_year_after_2005]
print(filtered_arr)

#filtered_arr = data_arr[year_arr >= 2005]
#print(filtered_arr)

# 多个条件
filtered_arr = data_arr[(year_arr <= 2005) & (year_arr % 2 == 0)]
print(filtered_arr)

显示结果：

条件索引

3、ndarray的维数转换

二维数组直接使用转换函数：transpose()，高维数组转换要指定维度编号参数 (0, 1, 2, …)，注意参数是元组

示例代码：

# 导入numpy，别名np
import numpy as np
# 二维数组
arr = np.random.rand(2,3)    # 2x3 数组
print('# 转换前：')
print(arr)    
print('# 转换后：')
print(arr.transpose()) # 转换为 3x2 数组

# 多维数组
arr3d = np.random.rand(2,3,4) # 2x3x4 数组，2对应0，3对应1，4对应3
print('# 转换前：')
print(arr3d)
print('# 转换后：')
print(arr3d.transpose((1,0,2))) # 根据维度编号，转为为 3x2x4 数组

显示结果：

ndarray的维数转换

五，ndarray元素处理

1、元素计算函数

ceil(): 向上最接近的整数，参数是 number 或 array
floor(): 向下最接近的整数，参数是 number 或 array
rint(): 四舍五入，参数是 number 或 array
isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array
multiply(): 元素相乘，参数是 number 或 array
divide(): 元素相除，参数是 number 或 array
abs()：元素的绝对值，参数是 number 或 array
where(condition, x, y): 三元运算符，x if condition else y

示例代码：

# 导入numpy，别名np
import numpy as np

# randn() 返回具有标准正态分布的序列。
arr = np.random.randn(2,3)

print(arr)

print(np.ceil(arr))

print(np.floor(arr))

print(np.rint(arr))

print(np.isnan(arr))

print(np.multiply(arr, arr))

print(np.divide(arr, arr))

print(np.where(arr > 0, 1, -1))

显示结果：

元素计算函数

2、元素统计函数

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。

示例代码：

# 导入numpy，别名np
import numpy as np

arr = np.arange(12).reshape(3,4)
print(arr)

print(np.cumsum(arr)) # 返回一个一维数组，每个元素都是之前所有元素的 累加和

print(np.sum(arr)) # 所有元素的和

print(np.sum(arr, axis=0)) # 数组的按列统计和

print(np.sum(arr, axis=1)) # 数组的按行统计和

显示结果：

元素统计函数

3、元素判断函数

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

示例代码：

# 导入numpy，别名np
import numpy as np

arr = np.random.randn(2,3)
print(arr)

print(np.any(arr > 0))
print(np.all(arr > 0))

显示结果：

元素判断函数

4、元素去重排序函数

格式：np.unique():找到唯一值并返回排序结果，类似于Python的set集合

示例代码：

# 导入numpy，别名np
import numpy as np

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

print(np.unique(arr))

显示结果：

元素去重排序函数