一、numpy简介

1.1 定义：

numpy(numeric python)NumPy系统是Python的一种开源的数值计算扩展，它的核心是ndarray对象。

1.2 功能：

1.功能强大的N维数组对象，各种派生对象（如掩码数组和矩阵）
2.精密广播功能函数
3.集成c++和Fortran代码的工具
4.数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。

1.3 NumPy数组 和 原生Python Array（数组）之间的重要区别：

1.numpy数组创建时长度固定，而python数组对象可动态增加。更改numpy数组会创建一个新的数组并删除原来的数组。
2.numpy数组的元素数据类型都必须相同，如果不同，它会统一合适的数据类型。优先级：str>float>int。python对象可以不同。
3.NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。

二、数据类型对象

2.1 定义

数据类型对象（numpy.dtype类的实例）描述了如何解释与数组项对应的固定大小的内存块中的字节。 它描述了数据的以下几个方面：

1.数据类型（整型、浮点型、Python对象等）。
2.数据的大小（例如整数中有多少字节）。
3.数据的字节顺序（little-endian 小端法或 big-endian大端法）。
4.如果数据类型是结构化数据类型，则是其他数据类型的集合(例如，描述由整数和浮点数组成的数组项)。

$\bullet$ 结构的 “字段” 的名称是什么，通过这些名称可以访问它们。
$\bullet$ 每个 字段 的数据类型是什么，以及
$\bullet$ 每个字段占用内存块的哪一部分。

5.如果数据类型是子数组，那么它的形状和数据类型是什么。

2.2 构造数据类型

语法：

    numpy.dtype(object, align, copy)    #  object - 要转换为的数据类型对象
                                      #  align - 如果为 true，填充字段使其类似 C 的结构体。
                        # copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用 

2.3 数据类型的字符表示

三、ndarray数组对象属性

1.1内存布局：

以下属性包含有关数组内存布局的信息：

1.2 数据类型

1.3 其他属性

1.4 数组接口

1.5 外部函数接口

四、创建数组对象

2.1 填充方式

2.2 从现有数据创建

2.3 数值范围

五 ndarray对象方法

六、numpy函数

6.1 数学函数

6.2 文件相关

6.3 其他

七、索引和切片

5.1 索引

$\bullet$ 行间接索引：

      arr[a1][a2].......[an]    # an为第n个轴第an个数据元素

$\bullet$ 行直接索引：

      arr[a1,a2,a3, .....,an]   # an为第n个轴第an个数据元素

$\bullet$ 列直接索引：

      arr[ : ,a1]               # a1为第多少列

$\bullet$ 构造新数组再列索引：

      arr[[a1,a2,....],n]       # 以原来数组的第a1...行构成新的数组，在获取新数组的第n列

$\bullet$ 根据布尔值取数组的数据：

      arr[[Ture,False,...]]     # 取数组的行，布尔列表的个数和数组的行数要匹配，Ture表示取该行，False表示不取
      arr[ ：,[Ture,False,...]] # 取数组的列，布尔列表的个数和数组的列数要匹配，Ture表示取该列，False表示不取

5.2 赋值

索引的基础上赋值即可，会覆盖原有位置上的数据。

5.3 切片

$\bullet$ 翻转数组：

              arr[: :-1]    # 按行翻转数组
              arr[:, : :-1] # 按列翻转数组

八、矩阵乘法

              numpy.dot(a, b, out=None) # a,b为两个数组，且一个的列等于另一个的行。
                                        # 返回两个矩阵的点积

@

九、数组的计算

逐元素操作

十、广播

$\bullet$ 定义：当数组的形状不相同时，可以通过拓展数组的方式来实现相加、相乘、相处、相减的操作 ，这种机制叫做广播
$\bullet$ 规则：
为缺失的维度补1
缺失元素用已有值补充
$\bullet$ 广播的适用范围：
1.只能单方向拓展
2.补全时若其他各行或列的元素不同，则无法补全

十一、数组的合并（集联）

 a1 = array([4, 3, 0, 2, 1])
 a2 = array([3, 4, 1, 2, 0])
 numpy.hstack((a1,a2))  # array([4, 3, 0, 2, 1, 3, 4, 1, 2, 0])
 numpy.vstack((a1,a2))  # array([[4, 3, 0, 2, 1],
                                [3, 4, 1, 2, 0]])
 numpy.concatenate((a1,a2),axis=0)   # array([4, 3, 0, 2, 1, 3, 4, 1, 2, 0])
 numpy.concatenate((a1,a2),axis=1)   # array([[4, 3, 0, 2, 1],
                                             [3, 4, 1, 2, 0]])

注意：
级联的参数必须时元组：一定加中括号或小括号
维度必须相同
形状相符
级联的方向默认是shape中元组里第一个值代表的维度。

十二、数组的切分

 b1 = array([[11, 11,  7, 13,  9, 11],
             [19,  6, 15,  0,  1,  3],
             [ 7, 17, 18,  0, 10,  2],
             [16,  5, 17,  0,  0,  8],
             [ 9,  7, 18, 19, 10,  6],
             [ 7,  3, 17,  3, 10,  6]])
 np.split(b1,indices_or_sections=3,axis=0) 
 [array([[11, 11,  7, 13,  9, 11],
         [19,  6, 15,  0,  1,  3]]),
  array([[ 7, 17, 18,  0, 10,  2],
         [16,  5, 17,  0,  0,  8]]),
  array([[ 9,  7, 18, 19, 10,  6],
         [ 7,  3, 17,  3, 10,  6]])]
  np.hsplit(b1,indices_or_sections=2) # 将原数组按行平均分成两份
  np.vsplit(b1,indices_or_sections=3) # 将原数组按列平均分成三份

indices_or_sections可以是一个列表，如[2,3]表示将原数组从头分两份，从尾分三份
切分没有在原数组上进行操作