一、创建array对象
#一、创建数组对象（通过列表的方式）
data1=[6,7,5.4,8,0,1]
arr1=np.array(data1)#array([6, 7, 5, 8, 0, 1])
data2=[[6,7,8,9],[1,2,3,4],[1,2,3,5]]
arr2=np.array(data2)#array([[6, 7, 8, 9],
#[1, 2, 3, 4]])
arr2.shape#(3, 4)，元组的长度length代表数组的维度，元组中每一个元素对应每一个维度中的元素个数
arr2.ndim #维度，当用数组下标表示的时候，需要用几个数字来表示才能唯一确定这个元素，这个数组就是几维
#zero和ones生成指定形状的全为0或1的数组，empty可以创建一个没有任何具体值的数组
np.zeros((2,3,2))
np.ones((2,2,3))
np.empty((4,2,3))
np.arange(10)#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
#np.eye(N),np.identity(N),创建一个正方形N*N的矩阵，对角线为1，其他为0
np.eye(3)
np.identity(6)
二、array数据类型
#二、数组的数据类型Python
arr1.dtype#dtype(‘float64’),np.array会为新建的数组推断出一个合适的数据类型，通过arr.dtype查看数据类型,
arr2.dtype#dtype(‘int32’)
arr3=arr1.astype(np.int32)
print(arr3.dtype)#int32 通过arr.astype()改变数组的数据类型,返回一个新数组，原数组并不改变。
三、数组和标量之间的运算
import numpy as np
data=[[1,2,3],[4,5,6]]
arr1 = np.array(data)
#大小相等的数组之间的任何算数运算符都会将运算应用到元素级
#arr1 #array([[1, 2, 3],
# [4, 5, 6]])
#arr1*arr1 #array([[ 1, 4, 9],
# [16, 25, 36]])
#arr1+arr1 array([[ 2, 4, 6],
# [ 8, 10, 12]])
#数组与标量的算术运算也会将标量值应用到各个元素
#1/arr1 #array([[ 1. , 0.5 , 0.33333333],
# [ 0.25 , 0.2 , 0.16666667]])
#arr1**2 #array([[ 1, 4, 9],
# [16, 25, 36]], dtype=int32)
四、基本索引和切片
简单一维数组
import numpy as np #切片 arr2 =np.arange(10) #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) arr2[2:8] #array([2, 3, 4, 5, 6, 7]) #赋值 #arr2[2:8]=1 #arr2 #array([0, 1, 1, 1, 1, 1, 1, 1, 8, 9]) #将一个标量赋值给一个切片时，该值会自动传播到整个选区 #和列表的区别是，数组切片时原始数组的视图，数据不会被复制，视图上任何修改都会直接反映到源数组上。 arr3 = arr2[2:8] arr3[:]=0 #arr2 #array([0, 1, 0, 0, 0, 0, 0, 0, 8, 9]) #如果想要得到的是复制的一份副本，可以用array的copy()方法 arr4=arr2[:].copy() arr4
索引
import numpy as np
data=[[1,2,3],[4,5,6],[7,8,9]]
arr=np.array(data) #array([[1, 2, 3],
# [4, 5, 6],
# [7, 8, 9]])
#元素索引
#arr[1][2]和arr[1,2]两种索引方式等效
arr[1][2] #6
arr[1,2] #6
#切片索引
arr[:2,:2] #array([[1, 2],
# [4, 5]])
arr[:2,1] #array([2, 5])
#花式索引
#为了以特定顺序选取行子集，只需传入一个用于指定顺序的列表或array即可。
arr[[1,2,0]] #array([[4, 5, 6],
# [7, 8, 9],
# [1, 2, 3]])
arr2=np.arange(20).reshape(5,4)
arr2 #array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11],
# [12, 13, 14, 15],
# [16, 17, 18, 19]])
arr2[[1,2,3,4]] #array([[ 4, 5, 6, 7],
# [ 8, 9, 10, 11],
# [12, 13, 14, 15],
# [16, 17, 18, 19]])
arr2[[1,2,3,4],[1,2,1,1]] #array([ 5, 10, 13, 17]),最终选出的元素是(1,1),(2,2),(3,1),(4,1)
五、数组转置（transpose）
import numpy as np
#二维数组的转置，高维数组不是很明白
arr = np.arange(15).reshape(5,3) #array([[ 0, 1, 2],
# [ 3, 4, 5],
# [ 6, 7, 8],
# [ 9, 10, 11],
# [12, 13, 14]])
arr.T #array([[ 0, 3, 6, 9, 12],
# [ 1, 4, 7, 10, 13],
# [ 2, 5, 8, 11, 14]])
六、通用函数（元素级数组函数）
通用函数是一种对array中的数据执行元素级运算的函数。应用到数组中的每一个函数
一元函数
abs：计算数组中绝对值，np.abs(arr)
sqrt:计算各元素的平方根，np.sqrt(arr)
square:计算个元素的平方
exp:计算个元素的指数eⁿ
等……
二元函数
add：将数组中对应元素相加
subtract:第一个数组中的元素减去第二个数组中的元素
multiply:数组相乘
divide:除法
七、数学和统计方法
import numpy as np
data=[[1,2,3],[4,5,6],[7,8,9]]
arr = np.array(data) #array([[1, 2, 3],
# [4, 5, 6],
# [7, 8, 9]])
#sum()对数组中全部或某轴向的元素求和
arr.sum(0) #array([12, 15, 18])
arr.sum(1) #array([ 6, 15, 24])
arr.sum() #45
#mean()求数组中全部元素的算数平均数或某个轴向的算数平均数
arr.mean() #5.0
arr.mean(0) #array([ 4., 5., 6.])
arr.mean(1) #array([ 2., 5., 8.])
#std()为标准差 var()为方差
arr.std() #2.5819888974716112
arr.var() #6.666666666666667
#min,max求数组中最小值，最大值。
arr.min() #1
arr.max() #9
#argmin最小元素的索引，argmax最大元素的索引
arr.argmin() #0
arr.argmax() #8
#cumsum求所有元素的累计和
arr.cumsum() #array([ 1, 3, 6, 10, 15, 21, 28, 36, 45], dtype=int32)
#cumprod求所有元素的累计积
arr.cumprod() #array([ 1, 2, 6, 24, 120, 720, 5040, 40320, 362880], dtype=int32)
八、用于布尔型数组的方法
import numpy as np
bools = np.array([False,False,True,False])
#布尔值经常被转换为1（True），0（False）
(bools>0).sum() #1
#any()用于测试数组中是否存在True
bools.any() #True
#all()用于检查数组中是否所有都是True
bools.all() #False
九、集合运算
import numpy as np
arr1= np.array([1,1,1,2,3,4,4,4,5,5,5,0,3])
#unique()计算数组中唯一元素，并返回有序结果
np.unique(arr1) #array([0, 1, 2, 3, 4, 5])
#intersect1d(x,y) 计算数组中公共元素并返回有序结果
arr2 = np.array([1,2,3,4])
arr3 = np.array([4,3,6,7,8])
np.intersect1d(arr2,arr3) #array([3, 4])
#union1d(x,y)计算数组的并集，返回有序结果
np.union1d(arr2,arr3) #array([1, 2, 3, 4, 6, 7, 8])
#in1d(x,y) 得到一个x中的元素是否包含于y的布尔型数组
np.in1d(arr2,arr3)
#setdiff1d(x,y) 集合的差，元素在x中，不在y中
np.setdiff1d(arr2,arr3)
#setxor1d(x,y) 集合的对称差，不同时存在于两个数组中的元素
np.setxor1d(arr2,arr3)
十、数组文件的输入输出
将数组以二进制格式保存
import numpy as np
arr = np.arange(10)
#np.save可以将数组保存为.npy的二进制文件在磁盘上
#np.load可以将磁盘上保存的数组读取出来
np.save(‘arr_save’,arr)
np.load(‘arr_save.npy’) #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
#np.savez可以将多个数组保存在一个压缩文件中（.npz格式），将数组以关键字参数形式传入
#np.load()读取时，会得到一个类似字典的对象
np.savez(‘many_arr’,a=arr,b=arr)
many_arr = np.load(‘many_arr.npz’)
many_arr[‘a’] #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
many_arr[‘b’] #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
存取文本文件
import numpy as np
arr = np.array([[1,2,3,4],[5,6,7,8]])
arr
np.savetxt('arr.txt',arr)
十一、矩阵计算（两个矩阵的相乘）
import numpy as np
arr1 = np.array([[1,2,3],[2,3,4],[3,4,5]])
arr1 #array([[1, 2, 3],
#[2, 3, 4],
#[3, 4, 5]])
arr2 = np.array([[6,6],[8,8],[5,5]])
arr2 #array([[6, 6],
# [8, 8],
# [5, 5]])
arr1.dot(arr2) #array([[37, 37],
# [56, 56],
# [75, 75]])
十二、随机数生成
import numpy as np
#通过normal得到一个标准正态分布的样本数组
np.random.normal(size=(4,4))
#rand()生成[0,1)的随机值
np.random.rand(2,3) #array([[ 0.96515435, 0.97895945, 0.84420243],
# [ 0.80194013, 0.53194176, 0.41690594]])
#randn产生正态分布的样本值（均值0，标准差1）
np.random.randn(3)
#randint(a,b),从给出的上下限范围内随机选取整数
np.random.randint(3,8)
