0、NumPy 与 ndarry

NumPy 是 Python 科学计算的基础包，它专为进行严格的数字处理而产生。

它提供：

• 快速高效的多维数组对象 ndarray；
• 直接对数组执行数学运算及对数组执行元素级计算的函数；
• 线性代数运算、随机数生成;
• 将 C、C++、Fortran 代码集成到 Python 的工具等。

它专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA 用其处理一些本来使用 C++，Fortran 或Matlab 等所做的任务。

ndarray 是一个多维的数组对象，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。

ndarray 的一个特点是同构：即其中所有元素的类型必须相同。

1、数组属性查看：类型、尺寸、形状、维度

import numpy as np  
a1 = np.array([1,2,3,4],dtype=np.complex128)  
print(a1)  
print("数据类型",type(a1))           #打印数组数据类型  
print("数组元素数据类型：",a1.dtype) #打印数组元素数据类型  
print("数组元素总数：",a1.size)      #打印数组尺寸，即数组元素总数  
print("数组形状：",a1.shape)         #打印数组形状  
print("数组的维度数目：",a1.ndim)      #打印数组的维度数目  

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

2、numpy元素中数据存储方式，数据类型，类型转换

2.1 查看元素数据存储类型

dtype=。。。 可作为参数输入到之后的类型转换新array建立函数中，作为array初始化的参数选择。

import numpy as np
#指定数据 dtype 
a = np.array([2,23,4],dtype=np.int)
print(a.dtype)
# int 64
a = np.array([2,23,4],dtype=np.int32)
print(a.dtype)
# int32
a = np.array([2,23,4],dtype=np.float)
print(a.dtype)
# float64
a = np.array([2,23,4],dtype=np.float32)
print(a.dtype)
# float32
a = np.array([1,2,3,4],dtype=np.complex128)  
print(a.dtype)
# complex128

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

2.2 元素数据存储类型转换

import numpy as np
# 通过 ndarray 的 astype() 方法进行强制类型转换
# astype 会创建一份新的数组，即便是指定为同类型也依然如此
# 浮点数转换为整数时小数部分会被舍弃：
a = np.array([2.5,3.1,4.9],dtype=np.float32)
b = a.astype(np.int64)
print(b.dtype)
print(b)
# 如果某字符串类型的数组里的元素全是数字，也可以通过此方法直接转换成数值类型
a = np.array(["2.5","3.1","4.9"],dtype=np.float32)
b = a.astype(np.float64)
print(b.dtype)
print(b)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

3、List类型与numpy. ndarray类型的互相转换

array函数接受一切序列类型的对象

import numpy as np
list1 = [1,2,3,4,5] 
#List转numpy.array:
temp = np.array(list1) 
print(temp)
print("数据类型",type(temp))           #打印数组数据类型  
print("数组元素数据类型：",temp.dtype) #打印数组元素数据类型  
print("数组元素总数：",temp.size)      #打印数组尺寸，即数组元素总数  
print("数组形状：",temp.shape)         #打印数组形状  
#numpy.array转List:
arr = temp.tolist() 
print(arr)
print("数据类型",type(arr))           #打印数组数据类型 

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

4、创建 ndarray 数组

4.1 方法一：列表转换

import numpy as np
#创建数组
array = np.array([[1,2,3],[2,3,4]])  #列表转化为矩阵
print(array)
print('number of dim:',array.ndim)  # 维度
# number of dim: 2
print('shape :',array.shape)    # 行数和列数
# shape : (2, 3)
print('size:',array.size)   # 元素个数
# size: 6

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

4.2 zero，ones，empty函数创建特殊数组

zeros() 函数和 ones() 函数这两个函数分别可以创建指定长度或形状的全0或全1的 ndarray 数组

empty() 函数这个函数可以创建一个没有任何具体值的 ndarray 数组，需要注意一点的是，这个函数返回的值不一定是 0，可能是其他未初始化的垃圾值。

import numpy as np
#创建全零数组
a = np.zeros((3,4)) # 数据全为0，3行4列
print('a:',a)
b = np.zeros(a.shape) # 数据全为0，3行4列
print('b:',b)
#创建全一数组, 同时也能指定这些特定数据的 dtype:
a = np.ones((3,4),dtype = np.int)   # 数据为1，3行4列
print('a:',a)
b = np.ones(a.shape) # 数据全为0，3行4列
print('b:',b)
#创建全空数组, 其实每个值都是接近于零的数:
a = np.empty((3,4)) # 数据为empty，3行4列
print('a:',a)
b = np.empty(a.shape) # 数据全为0，3行4列
print('b:',b)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

4.3 arrange linspace 创建线性数组

import numpy as np
#用 arange 创建连续数组:
a = np.arange(10,20,2) # 10-19 的数据，2步长
print(a)
#使用 reshape 改变数据的形状
a = np.arange(12).reshape((3,4))    # 3行4列，0到11
print(a)
#用 linspace 创建线段型数据:
a = np.linspace(1,10,20)    # 开始端1，结束端10，且分割成20个数据，生成线段
print(a)
#同样也能进行 reshape 工作:
a = np.linspace(1,10,20).reshape((5,4)) # 更改shape
print(a)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

5、矩阵的索引与打印

import numpy as np

#一维索引
A = np.arange(3,15)
print('A = ',A)
print('A[3] = ',A[3])    # 6

#二维
A = np.arange(3,15).reshape((3,4))
print('A = ',A)
print('A[2] = ',A[2])   
print('A[2][]2 = ',A[2][2])     
print('A[2,2] = ',A[2,2])  
print('A[1, 1:3] = ',A[1, 1:3])  

print('row = ')
for row in A:
    print(row)
print('column = ')
for column in A.T:
    print(column)

#flatten是一个展开性质的函数，将多维的矩阵进行展开成1行的数列。而flat是一个迭代器，本身是一个object属性。
print('A.flatten = ',A.flatten())   
print('A.flat ===== 所有元素逐个打印')  
for item in A.flat:
    print(item)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27

6、矩阵的运算

6.1 基础运算

import numpy as np
array1 = np.array([[1,2,3],[2,3,4]])  #列表转化为矩阵
array2 = np.array([[2,3,4],[3,4,5]])  #列表转化为矩阵
# 减法
array3 = array2 - array1
print(array3)
# 加法
array3 = array2 + array1
print(array3)
# 对应元素相乘
array3 = array2 * array1
print(array3)
# 对应元素乘系数
array4 = array1 * 2
print(array4)
# 对应元素次方
array4 = array1 ** 2
print(array4)
# 对应元素正弦
array4 = np.sin(array1)
print(array4)
# 比较符号
array5 = array1>2
print(array5)
# 判断矩阵是否全部为正确
print(array5.all())
# 判断矩阵是否存在正确
print(array5.any())

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28

6.2 点乘

import numpy as np
arr1=np.array([[1,