1、Numpy介绍

NumPy是Python语言的一个扩充程序库。支持高阶大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，其运行效率几乎都可以与编译过的等效C语言代码一样快。

2、创建数组

数组和列表的区别，列表可以存储任一类型的数据，而数组只能存储一种类型的数据

>>> import numpy as np
>>> x = np.array([1,2,3])
>>> x
array([1, 2, 3])
>>> type(x)
<class 'numpy.ndarray'>

#生成一维数组，默认值为0，类型为float
>>> a = np.zeros(10,dtype=int)
>>> a
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
#查看数组类型
>>> a.dtype
dtype('int32')

#生成多维数组，默认值为1，类型为float
>>> np.ones((3,3),dtype=float)
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

#指定默认值
>>> np.full((2,3),3.14)
array([[ 3.14,  3.14,  3.14],
       [ 3.14,  3.14,  3.14]])

#随机默认值
>>> np.random.random((3,3))
array([[ 0.91593995,  0.60096071,  0.38946746],
       [ 0.31114094,  0.20312764,  0.41675188],
       [ 0.34502694,  0.80952597,  0.52391742]])
>>> np.random.randint(0,10,(3,3))
array([[9, 0, 5],
       [8, 2, 4],
       [8, 9, 5]])

#返回ndarray对象，包含给定范围内的等间隔值
>>> np.arange(0,10,2)
array([0, 2, 4, 6, 8])

#此函数类似于arange()函数。 在此函数中，指定了范围之间的均匀间隔数量，而不是步长。
>>> np.linspace(0,3,10)
array([ 0.        ,  0.33333333,  0.66666667,  1.        ,  1.33333333,
        1.66666667,  2.        ,  2.33333333,  2.66666667,  3.        ])

#生成N维单位矩阵
>>> np.eye(3)
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])

3、数组中的访问

>>> var = [[1,2,3],[3,4,5],[4,5,6]]
>>> var[0][0]
1
>>> a = np.array(var)
>>> a[-1][0]
4
>>> a
array([[1, 2, 3],
       [3, 4, 5],
       [4, 5, 6]])
>>> a[2,0]
4
>>> a[2][0]
4
>>> a[:2,:2]
array([[1, 2],
       [3, 4]])
>>> a[:2][:2]
array([[1, 2, 3],
       [3, 4, 5]])
>>> a[a>3]
array([4, 5, 4, 5, 6])

4、数组的一些属性

>>> a
array([[1, 2, 3],
       [3, 4, 5],
       [4, 5, 6]])
#ndim 返回数组的维数。
>>> print(a.ndim)
2
#shape 返回一个包含数组维度的元组，它也可以用于调整数组大小。
>>> print(a.shape)
(3, 3)
#size
>>> print(a.size)
9
#dtype 类型
>>> print(a.dtype)
int32
#itemsize 这一数组属性返回数组中每个元素的字节单位长度。
>>> print(a.itemsize)
4
#nbytes
>>> print(a.nbytes)
36

5、简单运算

>>> a = np.random.randint(0,10,(3,3))
>>> a
array([[6, 4, 5],
       [1, 9, 0],
       [8, 2, 4]])
>>> a+10
array([[16, 14, 15],
       [11, 19, 10],
       [18, 12, 14]])
>>> a-10
array([[ -4,  -6,  -5],
       [ -9,  -1, -10],
       [ -2,  -8,  -6]])
>>> a * 10
array([[60, 40, 50],
       [10, 90,  0],
       [80, 20, 40]])

#求和
>>> np.sum(a)
39
>>> np.sum(a,axis=1)
array([15, 10, 14])
>>> np.sum(a,axis=0)
array([15, 15,  9])

#排序
>>> a
array([[6, 4, 5],
       [1, 9, 0],
       [8, 2, 4]])
>>> np.sort(a,axis=0)
array([[1, 2, 0],
       [6, 4, 4],
       [8, 9, 5]])
>>> a.sort(axis=1)
>>> a
array([[4, 5, 6],
       [0, 1, 9],
       [2, 4, 8]])

notebook使用小技巧
%timeit 代码；此方法来判断程序的执行效率

n = np.random.rand(10000)
%timeit sum(n)
1.18 ms ± 2.36 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit np.sum(n)
6.33 µs ± 252 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
#ms 毫秒 µs 微秒 ns 纳秒    1毫秒 = 1,000 微秒   1微秒 = 1,000 纳秒

6、相关函数，备查

Numpy 数据类型对应的取值范围

参考链接

NumPy - 算数函数,NumPy 包含大量的各种数学运算功能。

Numpy字符串函数

NumPy - 统计函数

NumPy - 排序、搜索和计数函数

NumPy 包含numpy.linalg模块，提供线性代数所需的所有功能。