内容

• ndarray N维数组对象

• 一些相辅相成的数学函数

• 读写

• 线性代数

• 随机数

• 傅里叶变换能力

ndarray(N-dimensional array object)

• 启动

import numpy as np

• 生成一个随机数组
该随机数组维度（shape）为2（内含3个变量）

data = np.random.randn(2,3)
data.shape
#输出该数组维度shape及内容
data.dtype
#输出该data type
data.ndim
#输出shape

• 一些运算

data + datadata * 10

• 可无限维度

data0 = np.random.randn(2,2,2,...,2)

创建N维数组nadarrays

• array函数

data1 = [6,7,8,9,10]
data2 = [[1,2,3,4],[5,6,7,8]]
arr1 = np.array(data1)
arr2 = np.array(data2)
#arr1为([6,7,8,9,10]),一个1维数组内容为5个变量
#arr2为([[1,2,3,4],[5,6,7,8]]),shape2,ndim4

• zeros与ones函数

arr3 = np.zeros(3)
arr4 = np.ones(3)
#arr3 = ([0., 0., 0.])
#arr4 = ([1., 1., 1.])
arr5 = ((3,6))

• empty与arange函数

arr6 = np.empty((2,3))
arr7 = np.arange(10)
#arr6为不一定为0的垃圾数值，empty用于初始化
#arr7为0-10顺序的1维数值

• 类型转换函数astype
• astype会返回一个新数组，所以最好是用一个变量接收
• 属于ndarray的内函数
• float在转int时会自动截断小数
• 可以传入其他ndarray的dtype格式

arr8 = arr1.astype(float)
arr9 = arr8.astype(arr1.dtype)

数组计算

• Vectocrization（向量化）

• Element-Wise（点对点）

• 比较时（<，=，>）可得一组布尔值

• 运算两个数组处于相同的类型和维度

基本的索引和切片

在改变list上的接收的切片的new_list时上的值，只可以改变new_list上的值，但是在改变ndarray上的接收的切片的new_ndarray上的值时，不仅new_ndarray的值会改变，ndarray上原来被切片的位置的值也会被改变（个人认为，并不是有了新的变量，我更倾向于是ndarray上的切片产生了一个新的索引（“new_ndaaray”），或者是新的adarray用的原数组的地址，但这比较属于C的范畴）

• new_ndarray可以用cope()去复制自己，为了不改变原数组

• 一些切片方法

arr1_1 = arr1[1:3].copy()
arr1_1[:] = 10
arr1_1[0:2] = 11
#全部修改,broadcasted（广式转变）

• Broadcasting：提供了一种矢量阵列操作的手段，因此循环发生在 C 而不是 Python 中。它这样做时无需对数据进行不必要的复制，通常会导致高效的算法实现。然而，在某些情况下，使用它是个坏主意，因为它导致内存使用效率低下，从而减慢了计算速度。

• 多维数组访问单一元素的两个方式
 

print(arr2[1])
#输入为第二个列表
print(arr[0][2])
print(arr[0,2])
#两种方式

• 切片后返回的数组都是views

• 可使用复数切片或者组合切片，例：

arr8 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr8[:2,2:]