# NumPy
### 安装
– 通过安装Anaconda安装NumPy，一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项，包含了大量的科学计算相关的包，其中就包括NumPy
– 通过pip安装，
– 在windows中，控制台中输入命令安装
“`python
>pip install numpy
“`
– 在ubuntu中,控制台输入命令安装
“`python
XXX:~/Desktop$sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose
“`
– 安装验证,进入python交互终端，输入命令，没有报错则安装成功
“`python
>python
>>> import numpy as np
“`
### numpy中最重要的对象—ndarray：
**Ndarray对象指的是用于存放同类型元素的多维数据,它是一个多维容器，N代表着它的维度**
#### 创建ndarray对象
– 通过array方法创建
– 参数说明
– 必选参数
– object 数组或嵌套的数列
– 可选参数
– dtype 数组元素的数据类型
– copy 对象是否需要复制
– order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
– subok 默认返回一个与基类类型一致的数组
– ndmin 指定生成数组的最小维度
– demo
“`python
>>> from numpy as np
>>> x = np.array([[1, 2, 3], [4, 5, 6]],dtype=np.int32,copy=True,order=None,subok=False,ndmin=0)
>>> type(x) # 查看x类型
<type ‘numpy.ndarray’>
>>> x.shape # 查看ndarray对象的维度
(2, 3)
>>> x.dtype # 查看x里的数据类型
dtype(‘int32’)
“`
– 通过zeros/ones方法创建(创建指定大小的数组，数组元素以 0/1 来填充,)
– 参数说明
– 必要参数
– shape 数组形状
– 可选参数
– dtype 数据类型
– order ‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组
– demo
“`python
>>> np.zeros(5)
array([0., 0., 0., 0., 0.])
>>> np.zeros((3,3))
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
“`
– 通过empty方法创建（创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组：）
– 参数说明
– 必要参数
– shape 数组形状
– 可选参数
– dtype 数据类型
– 有”C”和”F”两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序
– demo
“`python
>>> x = np.empty((3,2),dtype=int)
>>> x
array([[0, 0],
[0, 0],
[0, 0]])
>>> y = np.empty([3,2],dtype=int)
>>> y
array([[0, 0],
[0, 0],
[0, 0]])
“`
– 其他方法：
– 通过full方法创建（创建一个填充给定值的n * n数组）
– demo
“`python
>>> np.full([3,3],3)
array([[3, 3, 3],
[3, 3, 3],
[3, 3, 3]])
“`
– 通过eye方法创建（创建一个对角线是1，其余是0的多维数组）
– demo
“`python
>>> np.eye(3)
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>> np.eye(1)
array([[1.]])
“`
– 通过linspace方法创建（创建一个在指定的时间间隔内返回均匀间隔的数字的数组）
– demo
“`python
>>> np.linspace(0,8.8,num=5)
array([0. , 2.2, 4.4, 6.6, 8.8])
“`
– 通过random方法创建（创建一个填充0到1之间随机值的数组）
– demo
“`python
>>> np.random.random([3,3])
array([[0.17647511, 0.79086009, 0.26275058],
[0.83484953, 0.6386956 , 0.53928901],
[0.26020885, 0.58836421, 0.39308341]])
“`
// TODO :补充
#### NumPy支持的数据类型（ndarray对象支持的数据类型）
名称 | 描述
—|—
bool_ | 布尔型数据类型（True 或者 False）
int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc | 与 C 的 int 类型一样，一般是 int32 或 int 64
intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8 | 字节（-128 to 127）
int16 | 整数（-32768 to 32767）
int32 | 整数（-2147483648 to 2147483647）
int64 | 整数（-9223372036854775808 to 9223372036854775807）
uint8 | 无符号整数（0 to 255）
uint16 | 无符号整数（0 to 65535）
uint32 | 无符号整数（0 to 4294967295）
uint64 | 无符号整数（0 to 18446744073709551615）
float_ | float64 类型的简写
float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_ | complex128 类型的简写，即 128 位复数
complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分）
#### ndarray对象的属性
属性 | 说明
—|—
ndarray.ndim | 秩，即轴的数量或维度的数量
ndarray.shape | 数组的维度，对于矩阵，n 行 m 列
ndarray.size | 数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype | ndarray 对象的元素类型
ndarray.itemsize| ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags | ndarray 对象的内存信息
ndarray.real | ndarray元素的实部
ndarray.imag | ndarray 元素的虚部
ndarray.data | 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。
demo
“`python
>>> a = np.full((3,3),3)
>>> a
array([[3, 3, 3],
[3, 3, 3],
[3, 3, 3]])
>>> a.ndim
2
>>> a.shape
(3, 3)
>>> a.size
9
>>> a.dtype
dtype(‘int32’)
>>> a.itemsize
4
>>> a.flags
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
>>> a.real
array([[3, 3, 3],
[3, 3, 3],
[3, 3, 3]])
>>> a.imag
array([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
>>> a.data
<memory at 0x0FE0E990>
“`
#### ndarray对象的的基本操作
– 加减乘除四则运算
“`python
>>> a = np.full((3,3),3)
>>> a
array([[3, 3, 3],
[3, 3, 3],
[3, 3, 3]])
>>> a+1
array([[4, 4, 4],
[4, 4, 4],
[4, 4, 4]])
>>> a-2
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
>>> a*5
array([[15, 15, 15],
[15, 15, 15],
[15, 15, 15]])
>>> a/3
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
>>> a
array([[3, 3, 3],
[3, 3, 3],
[3, 3, 3]])
>>> b = np.full((3,3),3)
>>> b
array([[3, 3, 3],
[3, 3, 3],
[3, 3, 3]])
>>> a+b
array([[6, 6, 6],
[6, 6, 6],
[6, 6, 6]])
>>> a += b
>>> a
array([[6, 6, 6],
[6, 6, 6],
[6, 6, 6]])
“`
**注意：虽然可以对两个ndarray对象进行操作，但是如果没有赋值，不会改变原来的ndarray对象**
##### 当对两个ndarray对象数据类型精度不一样进行操作时，结果的精度为更精确的那个数据类型
“`python
>>> a = np.array([[0.1,0.2,0.3],[0.3,0.2,0.1]],dtype=np.float32)
>>> a
array([[0.1, 0.2, 0.3],
[0.3, 0.2, 0.1]], dtype=float32)
>>> b = np.array([[0.3,0.2,0.1],[0.1,0.2,0.3]],dtype=np.float64)
>>> b
array([[0.3, 0.2, 0.1],
[0.1, 0.2, 0.3]])
>>> c = a+b
>>> c
array([[0.4 , 0.4 , 0.40000001],
[0.40000001, 0.4 , 0.4 ]])
>>> c.dtype
dtype(‘float64’)
“`
– 常用数学函数sum、min、max等
“`python
>>> a = np.arange(12).reshape(4,3) # reshape可以设置输出时的维度
>>> a
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
>>> a.sum()
66
>>> a.sum(axis=0) # axis=0表示求列的相关操作
array([18, 22, 26]) # axis=1表示求行的相关操作
>>> a.sum(axis=1)
array([ 3, 12, 21, 30])
>>> a.min()
0
>>> a.min(axis=0)
array([0, 1, 2])
>>> a.min(axis=1)
array([0, 3, 6, 9])
>>> a.max()
11
>>> a.max(axis=0)
array([ 9, 10, 11])
>>> a.max(axis=1)
array([ 2, 5, 8, 11])
>>> np.sin(a)
array([[ 0. , 0.84147098, 0.90929743],
[ 0.14112001, -0.7568025 , -0.95892427],
[-0.2794155 , 0.6569866 , 0.98935825],
[ 0.41211849, -0.54402111, -0.99999021]])
>>> np.cos(a)
array([[ 1. , 0.54030231, -0.41614684],
[-0.9899925 , -0.65364362, 0.28366219],
[ 0.96017029, 0.75390225, -0.14550003],
[-0.91113026, -0.83907153, 0.0044257 ]])
>>> np.tan(a)
array([[ 0.00000000e+00, 1.55740772e+00, -2.18503986e+00],
[-1.42546543e-01, 1.15782128e+00, -3.38051501e+00],
[-2.91006191e-01, 8.71447983e-01, -6.79971146e+00],
[-4.52315659e-01, 6.48360827e-01, -2.25950846e+02]])
“`
– 类似于python中列表的操作
– 索引,一维数组的索引和列表一样，多维数组的索引需要根据维度索引
“`python
>>> a = np.arange(12)
>>> a
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
>>> a[0]
0
>>> a[11]
11
>>> b = np.arange(12).reshape(2,6)
>>> b[0,0]
0
>>> b[5,5]
>>> b[1,5]
11
“`
– 切片，与python中的列表相似，也是左包含右不包含
“`python
>>> b[:,5]
array([ 5, 11])
>>> b[1,1:2]
array([7])
>>> b[1,1:5]
array([ 7, 8, 9, 10])
“`
**多维数组切片时，一定要注意好维度，根据维度来切片**
– 迭代，与python的列表相似，都可以用for in 来遍历ndarray对象，一维数组遍历和列表一样，多维数组遍历会得到次维的数组
“`python
>>> for i in b:
… print(i)
…
[0 1 2 3 4 5]
[ 6 7 8 9 10 11]
“`
