NumPy的主要对象是同质的多维数组。它是一个有明确索引的相同类型的元素组成的表。在NumPy中维度称之为轴，轴数称之为列。
举个例子：
例一：
[ 1, 2, 1 ]
这是一个一维数组，因为它只有一个轴，这个轴的长度是3.
列二：
[[ 1., 0., 0.],[ 0., 1., 2.]]这是一个二维数组，第一个维度的长度是2,第二个维度的长度是3.
NumPy中的array类被称之为ndarray，但是他的别名array更有名。特别需要注意的是NumPy.array和Python 标准库里的arry.array不一样。array.array只提供了比较少的方法。而NumPy中array包含以下重要属性：
ndarray.ndim
数组的维度数量
返回类型： number
ndarray.shape
数组的各个维度，这是一个存储了数组各个维度大小的int类型元祖。是一个n行m列矩阵，shape(n,m),这个shape的长度就是数组的维度数量。（如（2，3）表示2x3）
返回类型：tuple
ndarray.size
数组中所有元素的数量
返回类型：number
ndarray.dtype
数组中元素的类型。你可以使用python的types来创建和指定dtype’s，除此之外，numpy有自己的types，如：float64
返回类型：dtype对象
ndarray.itemsize
数组中每个元素的字节数。例如：float64类型的数组元素的itemize是8（64/8）
ndarray.data
不常用，访问数组元素使用索引更便利
创建数组
#使用array方法创建数组,array的参数可以是python的list和tuple
>>> import numpy as np
>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')#array可以将序列中的序列转化为2维数组
>>> b = np.array([(1.5,2,3), (4,5,6)])
>>> b
array([[ 1.5, 2. , 3. ], [ 4. , 5. , 6. ]])数组的类型可以在创建时被显示的指定
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j], [ 3.+0.j, 4.+0.j]])在创建数组的时候通常不知道数组的数据，但是知道数组的大小。所以numpy提供了几种方式类初始化数组内容。
zeros创建一个所有元素都是0的数组
>>> np.zeros( (3,4) )
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])ones创建一个所有元素都是1的数组
>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)empty的内容使用随机数填充
>>> np.empty( (2,3) ) # uninitialized, output may vary
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])连续的数字使用range(start, end, step)生成数组
>>> np.arange( 10, 30, 5 )
array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 ) # it accepts float arguments
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])由于浮点型涉及到字符精度，所以不拿呢个使用range，而是使用linspace替代
>>> from numpy import pi
>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
>>> x = np.linspace( 0, 2*pi, 100 ) # useful to evaluate function at lots of points
>>> f = np.sin(x)reshape输出队列的格式
>>> a = np.arange(6) # 默认是一维数组
array>>> print(a)[0 1 2 3 4 5]
>>> b = np.arange(12).reshape(4,3) # 2d array四行三列的二维数组
>>> print(b)
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]下面是数组的基本操作
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b #输b的内容，便于观察c的结果
array([0, 1, 2, 3])
>>> c = a-b #数组相减
>>> c
array([20, 29, 38, 47])
>>> b**2 #b的二次幂
array([0, 1, 4, 9])
>>> 10*np.sin(a) #数组a中每个值的正玄值的10倍
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a<35 #数组a中的数值是否比35小
array([ True, True, False, False], dtype=bool)特别需要注意的是数组的乘法和数组的矩阵计算方式不同。* 的计算方式是对应位置的数字相乘。而矩阵的算法，详见链接
>>> A = np.array( [[1,1]
,... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A*B # elementwise product
array([[2, 0], [0, 4]])
>>> A.dot(B) # matrix product
array([[5, 4], [3, 4]])
>>> np.dot(A, B) # another matrix product
array([[5, 4], [3, 4]])使用+=，*=来修改当前的数组，比创建数组更节省内存
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> aarray([[3, 3, 3], [3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437],
[ 3.30233257, 3.14675589, 3.09233859]])
>>> a += b #b无法自动转换成int类型
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int16') with casting rule 'same_kind'数据类型不同的俩个或多个数组进行操作，结果会向上趋于精度更高的一方
>>> a = np.ones(3, dtype=np.int32)
>>> b = np.linspace(0,pi,3)
>>> b.dtype.name
'float64'
>>> c = a+b
>>> carray([ 1. , 2.57079633, 4.14159265])
>>> c.dtype.name #b的精度更高，所以结果c和b是同一类型
'float64'
>>> d = np.exp(c*1j)
>>> darray([ 0.54030231+0.84147098j, -0.84147098+0.54030231j, -0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'ndarray还提供了很多的数学操作如：random,sum,max,min等
>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]])
>>> a.sum()
2.5718191614547998
>>> a.min()
0.1862602113776709
>>> a.max()
0.6852195003967595你可以指定多维数组的特定维度进行计算
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>>>>> b.sum(axis=0) # sum of each column
array([12, 15, 18, 21])
>>>>>> b.min(axis=1) # min of each row
array([0, 4, 8])
>>>>>> b.cumsum(axis=1) # cumulative sum along each row
array([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])numpy提供很多的算术方法如:sin,cos,exp
>>> B = np.arange(3)
>>> Barray([0, 1, 2])
>>> np.exp(B)
array([ 1. , 2.71828183, 7.3890561 ])
>>> np.sqrt(B)array([ 0. , 1. , 1.41421356])
>>> C = np.array([2., -1., 4.])
>>> np.add(B, C)
array([ 2., 0., 6.])数组的索引，切片和迭代
>>> a = np.arange(10)**3
>>> a
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] = -1000 # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every 2nd element to -1000
>>> a
array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])
>>> a[ : :-1] # reversed a
array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
>>> for i in a:
... print(i**(1/3.))
...nan
1.0
nan
3.0
nan
5.0
6.0
7.0
8.0
9.0多维数组的每个维度都有一个索引
>>> def f(x,y):
... return 10*x+y
...
>>> b = np.fromfunction(f,(5,4),dtype=int)
>>> b
array([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1] # each row in the second column of b
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1] # equivalent to the previous example
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ] # each column in the second and third row of b
array([[10, 11, 12, 13], [20, 21, 22, 23]])如果维数太多的话可以使用...来替代。
>>>c = np.array( [[[ 0, 1, 2],
[ 10, 12, 13]],
[[100,101,102],
[110,112,113]]])
>>> c.shape #共有三个维度，0维2个元素，1维2个元素，2维3个元素
(2, 2, 3)
>>> c[1,...] #0维索引为1的元素，类似于list的get(1)
array([[100, 101, 102], [110, 112, 113]])
>>>c[...,2] #前面的...表示0维和1维，最后的数字表是2维的索引为2的元素
array([[ 2, 13], [102, 113]])迭代数组元素
>>> for row in b: #迭代数组输出维度维0的元素信息
print(b)
>>> for element in b.flat: #输出数组的每一个元素
print(element)改变数组的形状
>>> a = np.floor(10*np.random.random((3,4)))
>>> a
array([[ 2., 8., 0., 6.], [ 4., 5., 1., 1.],[ 8., 9., 3., 6.]])
>>> a.shape
(3, 4)
>>> a.ravel() #扁平话处理，及只有一个维度
array([ 2., 8., 0., 6., 4., 5., 1., 1., 8., 9., 3., 6.])
>>> a.reshape(6,2) #改变形状为6行2列形式
array([[ 2., 8.],
[ 0., 6.],
[ 4., 5.],
[ 1., 1.],
[ 8., 9.],
[ 3., 6.]])
>>> a.T #换位，即行变成列，列变成行
array([[ 2., 4., 8.],
[ 8., 5., 9.],
[ 0., 1., 3.],
[ 6., 1., 6.]])
>>> a.T.shape
(4, 3)
>>> a.shape
(3, 4)
reshape改变了数组的形状，新生乘了一个数组，但是resize改变个数组的形状，改变的是自身的数据
>>> a
array([[ 2., 8., 0., 6.], [ 4., 5., 1., 1.], [ 8., 9., 3., 6.]])
>>> a.resize((2,6))
>>> a
array([[ 2., 8., 0., 6., 4., 5.], [ 1., 1., 8., 9., 3., 6.]])
合并数组：横向合并和纵向合并
>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[ 8., 8.], [ 0., 0.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 1., 8.], [ 0., 4.]])
>>> np.vstack((a,b)) #纵向合并
array([[ 8., 8.], [ 0., 0.], [ 1., 8.], [ 0., 4.]])
>>> np.hstack((a,b)) #横向合并
array([[ 8., 8., 1., 8.], [ 0., 0., 0., 4.]])
column_stack合并数组，值合并第一维度
>>> from numpy import newaxis
>>> np.column_stack((a,b)) # With 2D arrays
array([[ 8., 8., 1., 8.], [ 0., 0., 0., 4.]])
>>> a = np.array([4.,2.])
>>> b = np.array([2.,8.])
>>> a[:,newaxis] # This allows to have a 2D columns vector
array([[ 4.], [ 2.]])
>>> np.column_stack((a[:,newaxis],b[:,newaxis])) #合并2维数组
array([[ 4., 2.], [ 2., 8.]])
>>> np.vstack((a[:,newaxis],b[:,newaxis]))
array([[ 4.],
[ 2.],
[ 2.],
[ 8.]])
hsplit水平方向切割数组
>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[ 9., 5., 6., 3., 6., 8., 0., 7., 9., 7., 2., 7.],
[ 1., 4., 9., 2., 2., 1., 0., 6., 2., 2., 4., 0.]])
>>> np.hsplit(a,3) # Split a into 3 切割成3个数组
[array([[ 9., 5., 6., 3.],
[ 1., 4., 9., 2.]]),
array([[ 6., 8., 0., 7.],
[ 2., 1., 0., 6.]]),
array([[ 9., 7., 2., 7.],
[ 2., 2., 4., 0.]])]
array_split可以自定义切割的水平方向哈市垂直方向
>>> x = np.arange(8.0)
>>> np.array_split(x, 3) #array_split(ary, indices_or_sections, axis=0)
[array([ 0., 1., 2.]), array([ 3., 4., 5.]), array([ 6., 7.])]
复制
简单的赋值，b指向a的对象
>>> a = np.arange(12)
>>> b = a # no new object is created
>>> b is a # a and b are two names for the same ndarray object
True
>>> b.shape = 3,4 # changes the shape of a
>>> a.shape
(3, 4)
快照模式
>>> c = a.view()
>>> c is a
False
>>> c.base is a # c is a view of the data owned by a
True
>>> c.flags.owndata
False
>>> c.shape = 2,6 # a's shape doesn't change
>>> a.shape(3, 4)
>>> c[0,4] = 1234 # a's data changes
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
深度拷贝
>>> d = a.copy() # a new array object with new data is created
>>> d is a
False
>>> d.base is a # d doesn't share anything with a
False
>>> d[0,0] = 9999
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
