数值计算库-Numpy的作用：

• Numpy用于在大型、多维数组（矩阵）上执行数值运算
• Numpy是Scipy/Pandas/scikit-learn等科学计算、数据分析、机器学习库的基础库，也是Python数据挖掘的基础

创建ndarray数组

import numpy as np
# 基本格式：alist = np.array(list/tuple)
alist = np.array([1,2,3])    # [1 2 3]

常见dtype类型

参数	解释
np.bool	布尔值
np.int	整型
np.float	浮点型
np.unicode_	字符串

# 可以在创造数组时指定dtype类型
alist = np.array([1,2,3], dtype=np.unicode_)  # ['1' '2' '3']

ndarray数组对象属性

参数	解释
.dtype	对象元素类型
.size	对象元素的个数，相当于.shape中的n*m的值
.shape	轴，数组形状，对于矩阵，n行m列（不太理解）
.ndim	秩，数据维度

import numpy as np

# 0维数据
a0 = np.array(5)
print(a0, a0.ndim, a0.shape)
print("*"*20)
# 1维数据
a1 = np.array([1,2])
print(a1, a1.ndim, a1.shape)
print("*"*20)
# 2维数据
a2 = np.array([
    [1,2],
    [3,4]
])
print(a2, a2.ndim, a2.shape)
print("*"*20)
# 3维数据
a3 = np.array([
    [
        ["小明", 90, 'male'],
        ["张三", 60, "female"]
    ],
    [
        ["小明", 91, 'female'],
        ["张三", 90, "female"]
    ]
])
print(a3, a3.ndim, a3.shape)

"""
results:
5 0 ()
********************
[1 2] 1 (2,)
********************
[[1 2]
 [3 4]] 2 (2, 2)
********************
[[['小明' '90' 'male']
  ['张三' '60' 'female']]

 [['小明' '91' 'female']
  ['张三' '90' 'female']]] 3 (2, 2, 3)
"""

Numpy函数快速构造大数组（除arange外都是生成的浮点型）

1. np.arange(n)

>>>np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

2. np.linspace()
   根据起止数据等间距填充数据形成数组

>>>np.linspace(1,2,3) #3表示含3个元素
array([1. , 1.5, 2. ])
>>>np.linspace(1,2,3, endpoint=False) # endpoint表示生成的n个元素中是否包含终止元素
array([1. , 1.33333333, 1.66666667])

3. full(shape, val)和full_like(alist, val)
   根据格式生成数组

>>>alist
array([[1, 2],
[3, 4]])
>>>np.full(alist.shape, 'fu')
array([['fu', 'fu'],
['fu', 'fu']], dtype='<U2')
>>>np.full_like(alist, 100)
array([[100, 100],
[100, 100]])
>>>np.full_like(alist, 'bin') # 原格式为数字类型用full_like，要求val一定要能被int()强转
ValueError: invalid literal for int() with base 10: 'bin'

4. np.ones(shape)和np.ones_like(ndarray)
   用法与full和full_like相似，不需传val，生成的是浮点型的1组成的相同格式数组
5. np.zeros(shape)和np.zeros_like(ndarray)
   与上面的类似
6. np.empty(shape)和np.empty_like(ndarray)
   与上面的类似，创建新数组只分配内存空间，随意填充一些垃圾值
7. np.eye(n)和np.identity(n)
   这两个函数作用相同，创建一个正方的n*n单位矩阵，对角线为1，其余为0

>>>np.eye(3)
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>>np.identity(3)
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])

8. np.diag(list)
   创建一个正方形矩阵，对角线为参数值，其余为0

>>>np.diag([1,2,3,4,5])
array([[1, 0, 0, 0, 0],
[0, 2, 0, 0, 0],
[0, 0, 3, 0, 0],
[0, 0, 0, 4, 0],
[0, 0, 0, 0, 5]])

使用Numpy随机数创建特定数组

参数	解释
.rand(d0,d1,..dn)	创建d0-dn维度的均匀分布的随机数数组，浮点数，范围从0-1
.uniform(low,high,(size))	产生具有均匀分布的数组，low起始值，high结束值，size形状
.randint(low,high,(shape))	从给定上下限范围选取随机数整数，范围是low,high，形状是shape
.seed(s)	随机数种子，s是给定的种子值。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数
.randn(d0,d1,..dn)	创建d0-dn维度的标准正态分布随机数，浮点数，平均数0，标准差1
.normal(loc,scale,(size))	从指定正态分布中随机抽取样本，分布中心是loc（概率分布的均值）,标准差是scale，形状是size

# .rand()  ---给定维度，生成的是浮点数
>>>np.random.rand(10)
array([0.96423391, 0.25408991, 0.20234839, 0.26309569, 0.3290563 ,
       0.00834656, 0.43434389, 0.37981102, 0.12284219, 0.68015647])
>>>np.random.rand(2,3,4)
array([[[0.73811912, 0.58949586, 0.1477269 , 0.6509711 ],
        [0.63117018, 0.69076537, 0.33748225, 0.29992466],
        [0.35725206, 0.8762082 , 0.07229357, 0.74835445]],
       [[0.95250543, 0.28038204, 0.79859217, 0.92027231],
        [0.34419883, 0.02446916, 0.61344213, 0.00426297],
        [0.25359085, 0.36004407, 0.2994331 , 0.3554107 ]]])

# .uniform()  ---给定起始、结束、维度，生成的是浮点数
>>> np.random.uniform()
0.8525657129519096
>>> np.random.uniform(0,100)
98.5227237621942
>>> np.random.uniform(0,100,(3,4))
array([[79.54695296, 81.12288668, 49.82092111,  3.61948147],
       [87.84763286, 14.1434305 , 74.09872995, 59.05728427],
       [42.39094208, 99.49815838, 95.24305138, 49.42416064]])
"""这个结果看不太明白"""
>>> np.random.uniform((2,3,100,500))
array([  1.86576847,   1.27743245,  76.32458977, 214.40451151])

# .randint()  ---给定范围，维度，生成的是整数
>>> np.random.randint(100)
30
>>> np.random.randint(100,200)
111
>>> np.random.randint(100,200,(3,4,5))
array([[[135, 160, 180, 120, 113],
        [176, 142, 135, 168, 187],
        [165, 143, 191, 185, 190],
        [144, 116, 171, 164, 101]],

       [[136, 156, 199, 155, 151],
        [110, 111, 116, 138, 174],
        [151, 185, 193, 116, 138],
        [171, 181, 195, 150, 143]],

       [[130, 138, 173, 177, 113],
        [111, 199, 170, 104, 140],
        [172, 183, 155, 108, 101],
        [168, 198, 193, 134, 112]]])

# .seed()  ---设定随机数种子
>>> np.random.seed(10)
>>> np.random.rand(1,2,3)  # 第一次
array([[[0.77132064, 0.02075195, 0.63364823],
        [0.74880388, 0.49850701, 0.22479665]]])
>>> np.random.seed(10)
>>> np.random.rand(1,2,3)  # 第二次
array([[[0.77132064, 0.02075195, 0.63364823],
        [0.74880388, 0.49850701, 0.22479665]]])

# .randn()  ---给定维度，标准正态分布（均值0，标准差1）
>>> np.random.randn(1,2,3)
array([[[-0.08112218, -0.52929608,  1.04618286],
        [-1.41855603, -0.36249918, -0.12190569]]])

# .normal()  ---给定均值／标准差／维度的正态分布
>>> np.random.normal(1.75, 0.2, (2,3))
array([[1.5048328 , 1.70564137, 2.01798526],
       [1.75586194, 2.14707715, 2.03943312]])
# 限制生成的正态分布数组值在一定范围内
>>> z = np.random.normal(1.75, 0.2, 5)
>>> z
array([1.69247412, 1.47813789, 1.74039173, 1.65384253, 1.82555062])
>>> z[(z <= 1.77) & (z >= 1.73)]
array([1.74039173])
>>> z[(z <= 1.77) & (z >= 1.73)].shape
(1,)

# .round()  ---结果四舍五入
>>> np.round(np.random.rand(2,3,4), 2)
array([[[0.51, 0.89, 0.3 , 0.4 ],
        [0.79, 0.41, 0.18, 0.84],
        [0.57, 0.06, 0.99, 0.23]],

       [[0.61, 0.37, 0.8 , 0.63],
        [0.82, 0.29, 0.27, 0.6 ],
        [0.94, 0.71, 0.26, 0.12]]])