Numpy

Numpy 是 Python 的一個科學計算包，包含了多維數(shù)組以及多維數(shù)組的操作。

Numpy 的核心是 ndarray 對象，這個對象封裝了同質(zhì)數(shù)據(jù)類型的n維數(shù)組。起名 ndarray 的原因就是因為是 n-dimension-array 的簡寫。

ndaarray:只能有一種數(shù)據(jù)類型，而且每個元素占用內(nèi)存空間大小相同。

import numpy as np 加載numpy包

Numpy 常見的基本數(shù)據(jù)類型如下：

NumPy 要求數(shù)組必須包含同一類型的數(shù)據(jù)。如果類型不匹配，NumPy 將會向上轉(zhuǎn)換（包含范圍越大，在上層）

強制類型用dtype參數(shù)：np.array([3.14, 4, 2, 4], dtype='int64')

類型轉(zhuǎn)換，請使用.astype()方法（首選）或類型本身作為函數(shù)。

ndarray 與 python 原生 array 有什么區(qū)別

NumPy 數(shù)組在創(chuàng)建時有固定的大小，不同于Python列表（可以動態(tài)增長）。更改ndarray的大小將創(chuàng)建一個新的數(shù)組并刪除原始數(shù)據(jù)。

NumPy 數(shù)組中的元素都需要具有相同的數(shù)據(jù)類型，因此在存儲器中將具有相同的大小。數(shù)組的元素如果也是數(shù)組（可以是 Python 的原生 array，也可以是 ndarray）的情況下，則構成了多維數(shù)組。

NumPy 數(shù)組便于對大量數(shù)據(jù)進行高級數(shù)學和其他類型的操作。通常，這樣的操作比使用Python的內(nèi)置序列可能更有效和更少的代碼執(zhí)行。

越來越多的科學和數(shù)學的基于Python的包使用NumPy數(shù)組，所以需要學會 Numpy 的使用。

Numpy 的矢量化（向量化）功能優(yōu)點：

矢量化代碼更簡潔易讀

更少的代碼行通常意味著更少的錯誤該代碼

更接近地類似于標準數(shù)學符號（使得更容易，通常，以正確地編碼數(shù)學構造）

矢量化導致更多的“Pythonic”代碼。如果沒有向量化，我們的代碼將會效率很低，難以讀取for循環(huán)。

創(chuàng)建常用的數(shù)組：

創(chuàng)建一個全0數(shù)組：zeros();np.zeros_like(a) #按照a的形狀，創(chuàng)建一個形狀一樣的0數(shù)組

創(chuàng)建全1數(shù)組：ones()

單位矩陣：eye()

對角矩陣：diag()

設定具體值：full()

設置空值和無窮大：np.nan；np.inf,有一點要尤其注意的是: np.nan, np.inf 都是浮點類型,結合ndarray中的數(shù)據(jù)類型必須是相同的, 也就是說數(shù)組中如何有一個數(shù)據(jù)是空值,那么所有的數(shù)據(jù)都只能是浮點型。

隨機數(shù)組：

np.random.randint(1, 10, (3, 6)) --隨機生成1到10的3行6列數(shù)組

正態(tài)分布隨機數(shù)

np.random.uniform() --均勻分布, 在這個區(qū)間范圍之內(nèi), 任一點出現(xiàn)概率相同

np.random.randn() --標準正態(tài)分布

np.random.normal(4, 2, (10, 3)) # 均值, 標準差, 形狀 --正態(tài)分布

np.random.standard_t(3, (3, 3)) --t分布

np.random.f(1, 2, (3, 3)) --F分布

np.random.chisquare(1, (3, 3)) --卡方分布

np.random.binomial(10, 0.5, 20) --二項分布

設置隨機數(shù)種子

np.random.seed(100)

np.random.randint(10, size=(3, 3))

創(chuàng)建一個線性序列的數(shù)組

arange([start,] stop[, step,])：特點: 可以設置開始位置,終止位置和步長,但產(chǎn)生數(shù)字的數(shù)量不方便控制

np.linspace(開始位置, 終止位置, 產(chǎn)生數(shù)量)：特點: 可以設置開始位置和終止位置以及產(chǎn)生數(shù)量,但不方便控制步長

nddaray常用屬性

查看數(shù)據(jù)形狀：shape

查看維度：ndim

查看數(shù)組元素個數(shù)：size

查看類型：dtype

副本和視圖

數(shù)組的變形

數(shù)組的變形也是一類非常有用的操作。數(shù)組變形最靈活的實現(xiàn)方式是通過 reshape() 函數(shù)來實現(xiàn)。

請注意，如果希望該方法可行，那么原始數(shù)組的大小必須和變形后數(shù)組 的大小一致。如果滿足這個條件，reshape 方法將會用到原始數(shù)組的一 個非副本視圖。

技巧：在使用 reshape 時，可以將其中的一個維度指定為 -1，Numpy 會自動計算出它的真實值

拉伸成一維數(shù)組(數(shù)組的平鋪)：ravel()

轉(zhuǎn)置 交換行和列：.T

數(shù)組的拼接：concatenatetenate（）

數(shù)據(jù)的分裂：

將一個數(shù)組分成幾個較小的數(shù)組

既然可以將多個數(shù)組進行對堆疊，自然也可以將一個數(shù)組拆分成多個小數(shù)組。

使用split，可以指定均勻切割成幾份,也可以指定沿著哪個位置進行切割, 還可以指定沿著哪個軸進行切割.

np.split(ary, indices_or_sections, axis=0)

廣播機制

Numpy 可以轉(zhuǎn)換這些形狀不同的數(shù)組，使它們都具有相同的大小，然后再對它們進行運算。

Numpy運算

常用函數(shù)

規(guī)約函數(shù)（統(tǒng)計運算）