1.numpy简介
Numpy：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。
高性能科学计算和数据分析的基础包
ndarray，多维数组（矩阵），具有矢量运算能力，快速、节省空间
2.ndarray数组创建
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，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
2.1ndarray属性
ndim属性：维度个数
shape属性：维度大小
dtype属性：数据类型
2.2ndarray的随机创建
通过随机抽样 (numpy.random) 生成随机数据。
np.random.rand()
随机样本位于[0, 1)中，rand固定区间0.0 ~ 1.0
arr1 = np.random.rand(3,4) # 3*4,0-1
print(arr1)
a = 3
print(arr1.ndim) # 维数
print(arr1.shape) # 维度大小
print(arr1.dtype) # 数据类型
######################运行结果#########################
[[ 0.8304427 0.28691753 0.49540239 0.81833986]
[ 0.67167216 0.07743172 0.02851783 0.1204921 ]
[ 0.21615523 0.88841313 0.06086932 0.0161961 ]]
2
(3, 4)
float64
#####################################################
np.random.randn()
随机样本是从标准正态分布中返回一个或多个样本值。
arr2 = np.random.randn(3,4,5)
print(arr2)
print(arr2.ndim)
print(arr2.shape)
###########################运行结果##############################
[[[-0.53048525 -0.98315123 1.07899734 1.00916922 -1.43343381]
[ 0.16614765 -2.04573639 0.69389559 -1.03237277 0.55933928]
[-1.83031415 -1.06860538 0.54219642 -1.07381001 0.04935296]
[ 0.23682127 -0.31775132 -0.00994159 -0.20292605 1.30770046]]
[[ 0.10626402 1.01778731 -1.53680091 0.76804688 0.27078436]
[-0.43091204 1.47209429 0.80118083 -2.0614604 -0.5506007 ]
[ 1.44773308 -2.14104747 -0.95519316 -0.83441982 -0.31901006]
[ 0.10257071 -0.42335524 -0.01249585 -1.47530282 -1.1789874 ]]
[[ 0.27786974 -0.93659983 0.44406388 0.01835018 1.11760644]
[ 1.68107332 -1.88498173 0.69610999 1.4677356 2.95709668]
[-2.16621502 1.09556328 -0.5359436 2.01755611 -1.00161595]
[ 0.41419144 -0.74623465 0.13370128 -0.01935085 -1.03277491]]]
3
(3, 4, 5)
#################################################################
np.random.randint()方法使用
生成指定维度大小（3行4列）的随机多维整型数据（二维），randint指定区间-2 ~ 5
arr3 = np.random.randint(-2,6,(3,4))
print(arr3)
print(arr3.dtype)
#######################运行结果##########################
[[ 0 1 5 3]
[ 4 0 1 4]
[ 0 -2 5 1]]
int32
#########################################################
np.random. uniform()方法使用
生成指定维度大小（4行5列）的随机多维浮点型数据（二维），uniform()可以指定区间（-3, 2）
# 随机创建浮点类型的ndarray
arr4 = np.random.uniform(-3,3,size=(4,5))
print(arr4)
print(arr4.dtype)
##########################运行结果#############################
[[ 0.39471789 1.80044462 -1.2432487 2.72737276 0.63235806]
[-1.15296166 -2.43829749 -1.6658063 -0.144205 0.04610753]
[ 0.32108255 -2.77588426 -1.50920274 0.24233935 2.67571127]
[ 1.06973439 -0.4995566 2.79207931 -1.14324029 -2.48195469]]
float64
###############################################################
2.3 ndarray的序列创建
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)。
print(np.zeros((3,4)))
print(np.zeros((3,4)).dtype)
print(type(np.zeros((3,4))))
##########################运行结果#############################
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
float64
<class 'numpy.ndarray'>
###############################################################
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, 5)。
print(np.ones((3,5)))
##########################运行结果#############################
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
###############################################################
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）。
print(np.empty((4,5)))
##########################运行结果#############################
[[ 0.39471789 1.80044462 1.2432487 2.72737276 0.63235806]
[ 1.15296166 2.43829749 1.6658063 0.144205 0.04610753]
[ 0.32108255 2.77588426 1.50920274 0.24233935 2.67571127]
[ 1.06973439 0.4995566 2.79207931 1.14324029 2.48195469]]
###############################################################
ndarray的序列创建
arr8 = np.arange(15) # 创建一个一维数组
print(arr8)
##########################运行结果#############################
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
###############################################################
arr9 = arr8.reshape(3,5) # 创建3行5列数组
print(arr9)
##########################运行结果#############################
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
###############################################################
2.4 dtype参数
arr12 = np.zeros((3,5),dtype=np.int64)
print(arr12)
print(arr12.dtype)
##########################运行结果#############################
[[0 0 0 0 0]
[0 0 0 0 0]
[0 0 0 0 0]]
int64
###############################################################
2.5 数组数据类型的转换astype()
arr13 = arr12.astype(np.float32)
print(arr13)
print(arr13.dtype)
##########################运行结果#############################
[[ 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0.]]
float32
###############################################################
