通过字符串参数来指定
np. zeros(10,dtype="int16")
通过numpy对象来指定
no. zeros(10,dtype=no.int16)
数组的一些通俗说法
属性：
数组的纬度，ar. ndim
数组每个纬度的大小，ar. shape
数组的总大小，ar. size
数组的类型，at.dtype
数组每个元素字节大小，at. itemsize
数组总字节大小，at. nbytes，等于上两个乘积
numpy数组是固定类型的，如果将一个浮点型值插入一个整型数组时，浮点值会被截断成整型。不会有警告。
数组切片：获取子数组slice
获取数组内单个元素的方法：ar[1]
用切片来获取子数组，与python切片语法一样
x[start,stop,step] 默认值为[0,整个size,1]
多维数组：[行，列]行列就是一维数组的方式
多维数组，切片为子数组
获取数组，单行单列的方法
列ar[:,1]行ar[1,:]，行可以省略为ar[1]
另：切片返回的是，数组数据的，视图。而不是数值数据的副本。视图的意思，就是就算你把切片结果的子数组赋值给一个变量了，但是这个变量指向还是原来的数据，修改这个变量，原始数据也会被修改。
创建副本，就用ar. copy()，这时，修改子数组，就不会把原数据更改掉。
ar. reshape((x,y))返回的也是非副本视图，指向同一组数据。
定义np数据类型的方法,数组基础、数组计算-通用函数 - 草稿 - 草稿
索引定位，和切片区别
解释：二维数组里面，[1,1]的话，就是，最外层index为1的数组，然后，在这个数组内再选择index为1的元素。[1,:1]就是在被选择后的数组内，就行切片，切片是从0开始，前闭后开，切出来的是index为0的元素形成的新数组。也就是说没有:的时候，选择的是元素，有:的时候，切出来的是一个子数组。
如果只是修改元素值，不用切片，直接用元素的索引。本图片用的是1比较特殊。所以会出现好像都选的是元素的错觉。
将一个一纬数组变形为，二维的行或者列的矩阵。
一维数组变形为矩阵
从上图可以看到，二维数组，就是一个矩阵。特别是从转换成列矩阵的时候，加了逗号。
矩阵的定义
数组的分裂
x=[1,2,3,99,99,3,2,1]
x1,x2,x3=np. split(x,[3,5])
切片都不包含后面的
slice 切成片 split使分解
雷同vsplit和hsplit
Numpy数组计算：通用函数
使Numpy变快的关键是利用向量化操作。
用seed(x)x可以为0到任何整数，设置np. random. seed(x)以后，下面每一次执行随机生成的值都是一样，并且x设置为任何数，得到随机生成的值都是一样的。参看seed(0)和seed(500)的结果。
另外我想这样设置的目的是：在生成一笔数据的时候，我们可以用randint()这个函数，不用手打，此时我们得到的是随机产生的一组数据。
设置seed()之后呢，这个随机产生的数据相当于固定了。这样如果后面的程序要验证同一组数据的一些结果，就可以直接拿来用。每次导进来的数据都是一样的，且这组数据是随机产生的。
seed()函数
seed(500)
seed(0)
empty()创建的是没有意义的空置。生成的值是随机的。
np. empty(x)/np.empty([x,y])
测试代码运行时间，%timeit 代码
NumPy通用函数
通用函数有两种存在形式：一元通用函数，二元通用函数。一元通用函数是，对单个输入操作。二元通用函数是对两个输入进行操作。
1、数组的运算。利用了python的原生运算符，标准的，加减乘除都可以用。及，逻辑非，指数**，模（余数）运算符%，地板除法运算符//，。都是一元通用函数。
2、绝对值。Python绝对值abs(x)。对应Numpy通用函数是np. absolute(x)，也可以用别名，np. abs(x)
复数的幅度：复数的实部和虚部平方和再开方
复数的幅度
3、三角函数
求三角函数
180度=pi
求逆三角函数
4、指数和对数运算
指数运算
exp(x)指e的x次幂
exp2(x)指2的x次幂
power(3,x)指3的x次幂
对数运算
5、专用通用函数
from scipy import special 包含了，很全的通用数学函数运算，包括统计学很多的运算。搜索，gamma function python
2.3.4高级的通用函数特性
1.指定输出
在进行大量运算的时候，指定一个存放运算结果的的数组是非常有用的。所有的通用函数都可以用out 参数来指定计算结果的存放位置。
第一种，直接复制。占用大量内存。
直接设置变量储存
打印结果
第二种，使用out参数储存。内存占用较小。
out参数
out结果
注意：第一种用的empty()，生成的数组内元素是科学记数法，第二种用的zeros()，生成的数组内元素，是float型。
如果不需要调格，直接out=y
2.聚合
二元通用函数，有聚合功能。比如，一样用一个，特定的运算，reduce，一个数组。可以对任何一个通用函数调用reduce（）方法。一个reduce方法，会对给定的元素和操作，重复执行，直到得到单个结果。
例如，对add函数，调用reduce方法，，会返回数组中所有元素的和。
x = np. arange(1,6)
np. add. reduce(x)
#结果是15
如果需要存储每次计算的中间结果，使用accumulate
np. add.accumulate(x)
#结果是[1,3,6,10,15]
3.外积
任何通用函数，可以用outet方法，获取不同数组的，所有元素，对函数运算的，结果。
x=np. arange(1,6)
np. multiply.outer(x,x)
outer()方法的结果：乘法表
广播
通用函数另一个非常有用的特性，是它能操作不同大小和形状的数组。一组这样的操作，被称为：广播。
通用函数更多的信息可以在，www.numpy.org和www.scipy.org找到
2.4聚合
最大值，最小值，其他值
数组值求合，sum(ar)/np.sum(ar)是在编译码中进行，更快。
最大值max(ar)最小值min(ar)，np中也有对应的，且更快。
np中，可以直接调用。ar. min（）
1.多纬度聚合。使用参数axis=1/0参数
ar. min(axis=0)。axis关键字，指定的是数组将会被折叠的纬度，axis=0表示，在水平方向上折叠。也意味着每一列的值都将被聚合。
np. percentile(ar,25)四分之一位
np. percentile(ar)中位数
np. percentile(ar,75)四分之三位
2.5数组的计算：广播
向量化操作：1、通过Numpy通用函数。减少python循环2、利用Numpy广播功能。
广播：简单理解为，用于不同大小数组的，二进制通用函数(加，减，乘等)的一组规则。
对于同样大小的数组，二进制的操作是对相应的元素进行逐个计算。
广播允许这些二进制操作可以用于不同大小的数组。例如，可以简单地将一个标量（可以看成一个0维的数组），和一个数组相加。
a=[0,1,2]
print(a+5)
#[5,6,7]可以理解为，将数值5扩展或重复至数组[5,5,5]进行加法操作。实际上这个重复并没有发生。不占用计算。
实际上广播就是，扩展，把要操作的两个数组，扩展到相同的纬度，两个形状一致后，进行运算。
一维数组加二维数组
这里这个一维数组就被扩展或者，广播了。
[[0,1,2],
[0,1,2],
[0,1,2]]然后再对应相加。
双向扩展
[[0,1,2],
[0,1,2],
[0,1,2]]加上
[[0,0,0],
[1,1,1],
[2,2,2]]
这里就将两个数组都扩展成一个公共的形状。
广播可视化理解
广播的规则
定义np数据类型的方法,数组基础、数组计算-通用函数 - 草稿 - 草稿
定义np数据类型的方法,数组基础、数组计算-通用函数 - 草稿 - 草稿
广播就是，维度的匹配。
不匹配规则的广播
广播的规则，对于任意二进制通用函数都是适用的。
数组归一化
可视化时：
plt. hist(ar,30)#30指的是分组数
对数组进行，大于小于等于不等于大于等于小于等于，某个值，都会的到一个布尔型数据组成的数组。
操作布尔数组
np. random. RandonState(0)和np. random. seed(0)两种确定随机数的区别
numpy.random.RandomState()或者numpy.random.RandomState(seed=None)
每次生成数字不一样。
numpy.random.RandomState(1)或者numpy.random.RandomState(seed=1)
每次生成的数字一样。1，2仅仅是来源于1号种子，还是2号种子
存在一个数组，ar
np. count_nonzero(ar<6)。得到，ar<6这个布尔数组，里面 true的个数。
np. sum(ar<6)#得到和上面一样的结果，并且，sum和其他聚合函数一样，可以沿着行或者列进行。
np. sum(ar<6,axis=1)#每一行小于6的个数
要快速检查任意np.any(ar>6)，或者全部np. all(ar>6)都是返回一个值。也都可以用axis设置特定坐标轴。np. any(x>6,axis=1)沿着横轴。
2.布尔运算符。逐位逻辑运算符(也叫逻辑运算符)(&、|、^、～)，来进行，逐位运算（通常是布尔运算）
逻辑运算符
逻辑异或，真值表
异或XOR ，在英文里面的定义为either one (is one), but not both， 也即只有一个为真（1）时，取真（1）
跟或的区别是，1 or 1 结果为true
将布尔数组作为掩码
ar#数组
ar>5#得到布尔数组
ar[ar>5]#掩码操作，将符合条件的选择出来
ar>5的数组就相当于一个掩码数组。
关键字and/or 和逻辑操作运算符&及 | 区别
and和or判断的是两个对象，每个对象，它整个对象是真还是假表达式操作的是整个对象，把这个对象当做布尔实体，非0都是true。
&和|判断的是，两个对象，每个对象，它的比特位。表达式操作的是元素的比特，将and和or运用于，组成改元素的每个比特。
bin()函数
上图用&和|进行运算时，对应的二进制比特位进行比较，以得到最终结果。
Python中的bin（）方法的作用：
是将整型转换为二进制数组成的字符串，注意它的结果是个字符串，且转换后的最高位非零（如bin（1）=‘0b1’，而非‘0b01’），并在前面加上0b，表示这是一个二进制。
当对两个布尔型数组进行操作的时候，用|和&，如果用and或or就会出错。
因为，and和or对整个对象执行单个布尔运算，而&和I对一个对象的内容（单个比特或字节）执行多个布尔运算。
其他索引类型
索引的五种方式（花哨索引）
组合索引
np.random.randint(a,size=None,replace=True,p=None)
a，是从哪里选
size是选择的个数
replace为true的意思是，size设置为任意正值，false的意思是，size的值不能比原来a的长度len（a）大。
#在（0，5）区间内生成含5个数据的一维数组
>>a = np.random.randint(0, 5, (5,))
>>print('a = ', a)
a = [2 1 2 1 3]
#在a数组中抽取6个数，replace为true
>>b = np.random.choice(a, 6)
>>print('b = ', b)
b = [1 1 2 2 1]
#replace为False时，size需小于等于len(a)
>>c = np.random.choice(a, 5, replace=False, p=None)
>>print('c = ', c)
c = [3 2 1 1 2]
#p是数组a中所有数出现的概率，总和为1
>>d = np.random.choice(a, 5, replace=False, p=[0.2, 0.3, 0.1, 0.3, 0.1])
>>print('d = ', d)
d = [1 3 2 1 2]
np.savetxt('ceshi.txt',ar,fmt = '%0f',delimiter=',')
#数字格式化 https://www.runoob.com/python/att-string-format.html
np.newaxis终极解释 关于理解，数据科学手册，第42页，还有广播的部分，及79页相临点进行求距离的部分。
网友评论