NumPy是Python语言的一个扩充程序库 ,支持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 。numpy以及依赖它产生的pandas广泛运用于数据分析和机器学习。
Numpy创建数据:
import numpy as np
list_1 = [1,2,3]
array_1 = np.array([1,2,3],dtype='int')
print(array_1)
>>>[1 2 3]
#多维度
list_2 = [[1,2],[3,4]]
array_2 = np.array(list_2)
print(array_2)
>>>[[1 2]
[3 4]]
Numpy中的数组和列表有些相似之处 ，数组有多个维度 。dtype为可选参数 ，修饰数组内结构
Numpy创建N维数组的api函数
import numpy as np
array_3 = np.array([1,2,3,4,5,6,7,8,9]).reshape((3,3))
print(array_3)
>>>[[1 2 3]
[4 5 6]
[7 8 9]]
array_4 = np.ones([5,5])
print(array_4)
>>>[[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]]
array_5 = np.zeros([5,5])
print(array_5)
>>>[[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0.]]
array_6 = np.random.randint(0,10,(4,3))
print(array_6)
>>>[[3 8 3]
[1 2 2]
[1 8 4]
[1 4 8]]
.reshape可以规定数组的维度 ：（m,n）m行n列 。ones填充数组所有元素为1 ，zeros填充数组所有元素为0 。random.randint(0,10,(4,3)) 函数随机生成（0,10）四行三列数组。
Numpy的索引与切片：
array_7 = np.random.randint(0,10,(5,5))
print(array_7)
print(array_7[2,:]) #第三行所有元素
print(array_7[:,2]) #第三列所有元素
print(array_7[2,2]) #第三行第三列的元素
print(array_7[2,1:3]) #第三行的二到三列所有元素
print(array_7[1:3,2]) #第二到三行的三列所有元素
print(array_7[1:3,1:3]) #第二到三行的二到三列所有元素
>>>
[[3 5 9 0 4]
[0 3 0 7 9]
[0 4 3 0 7]
[9 8 4 0 5]
[3 0 8 8 5]]
[0 4 3 0 7]
[9 0 3 4 8]
3
[4 3]
[0 3]
[[3 0]
[4 3]]
Numpy的计算
便于我们更好的理解Numpy的计算 ，这里我们引入一个实例 ：四六级成绩 给出一个list ，有四位同学的四六级成绩 。对于四级没过的同学 ，这里的六级成绩我们取0。
取出score的value ，重新组合为新的列表 然后，将数组转为array。
scroe = [{'老王':[444,369]},{'三毛':[333,0]},{'徐四':[578,496]},{'宝儿':[456,425]}]
scroes = []
for x in scroe:
for key,value in x.items():
scroes.append(value)
print(scroes)
array_8 = np.array(scroes)
print(array_8)
>>>[[444, 369], [333, 0], [578, 496], [456, 425]]
[[444 369]
[333 0]
[578 496]
[456 425]]
条件运算：
array_9 = np.array(scroes)
print(array_9>425) #返回
print(np.where(array_9 > 425, '合格', '不合格')) #三目运算
>>>[[ True False]
[False False]
[ True True]
[ True False]]
[['合格' '不合格']
['不合格' '不合格']
['合格' '合格']
['合格' '不合格']]
统计运算：
result_max_1 = np.amax(array_9,axis=1) #行内的最大值
result_max_2 = np.amax(array_9,axis=0) #列内的最大值
print(result_max_1)
print(result_max_2)
>>>[444 333 578 456]
[578 496]
result_min_1 = np.amin(array_9,axis=1) #行内的最小值
result_min_2 = np.amin(array_9,axis=0) #列内的最小值
print(result_min_1)
print(result_min_2)
>>>[369 0 496 425]
[333 0]
result_mean_1 = np.mean(array_9,axis=1) #行平均值 一个人四级六级平均成绩
result_mean_2 = np.mean(array_9,axis=0) #列平均值 四个人四级、六级分别平均成绩
print(result_mean_1)
print(result_mean_2)
>>>[406.5 166.5 537. 440.5]
[452.75 322.5 ]
result_std_1 = np.std(array_9,axis=1) #std方差
result_std_2 = np.std(array_9,axis=0)
print(result_std_1)
print(result_std_2)
>>>[ 37.5 166.5 41. 15.5]
[ 86.76800966 191.55743264]
数组运算：
print("origin array:" ,array_9)
array_9[:,0] = array_9[:,0]+5 #将所有人第一列四级的成绩加五分
print("after the chage:",array_9)
print("origin array:" ,array_9)
array_9[:,1] = array_9[:,1]*0.5 #将所有人第二列六级级的成绩减半
print("after the chage:",array_9)
>>>
origin array: [[444 369]
[333 0]
[578 496]
[456 425]]
after the chage: [[449 369]
[338 0]
[583 496]
[461 425]]
origin array: [[449 369]
[338 0]
[583 496]
[461 425]]
after the chage: [[449 184]
[338 0]
[583 248]
[461 212]]
矩阵运算：
np.dot()
规则：(M行, N列) * (N行, Z列) = (M行, Z列)
q = np.array([[0.4], [0.6]]) #array_9四行两列 * q 二行一列 = 四行一列
result = np.dot(array_9, q)
print(result)
>>>[[399. ]
[133.2]
[528.8]
[437.4]]
矩阵合并：
qaaq = [425,425]
array_10 = np.array(qaaq)
print(array_10)
array_11 = np.vstack((array_9,array_10)) #vstack 垂直拼接 hstack水平拼接
print(array_11)
>>>[[444 369]
[333 0]
[578 496]
[456 425]
[425 425]]
