NumPy库入门

维度: 一组数据的组织形式

一维数据: 对应列表，数组和集合等概念(线性方式组织)

列表: 数据类型可以不同
数组: 数据类型相同

二维数据: 由多个一维数据构成，是一维数据的组合形式。

多维数据: 例如时间维度

高维数据仅利用最基本的二元关系展示数据间的复杂结构

一维数据: 列表和集合类型
二维数据: 列表类型
多维数据: 列表类型
高维数据: 字典类型或数据表示格式
(JSON, XML和YAML格式)

NumPy的数组对象: ndarray，N维数组对象
广播功能函数
整合C/C++/Fortran代码工具
线性代数，傅里叶变换，随机数生成等功能

ndarray - 向量化运算

import numpy as np

观察: 科学计算中，一个维度所有数据的类型往往相同。

• 数组对象采用相同的数据类型，有助于节省运算和存储空间。

ndarray是一个多维数组对象，由两部分构成:

• 实际的数据
• 描述这些数据的元数据(数据维度，数据类型等)
• 所有元素类型相同，数组下标从0开始

非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用。

ndarray数组的创建方法

• 从Python中的列表，元组等类型创建ndarray数组
• 使用NumPy中函数创建ndarray数组，如:arange, ones, zeros等
• 从字节流中创建ndarray数组
• 从文件中读取特定格式，创建ndarray数组

(1)从Python中的列表，元组等类型创建ndarray数组

x = np.array(list/tuple)
x = np.array(list/tuple, dtype=np.float32)

当np.array()不指定dtype时，Numpy将根据数据情况关联一个dtype类型

np.arange(n)
np.arange(10)

np.ones(shape)
np.ones((3,6))
np.ones((3,6), dtype=np.int32)
np.ones((2,3,4), dtype=np.int32)

np.zeros(shape)


np.full(shape, val)


np.eye(n)
np.eye(5)


np.one_like(a)
np.zero_like(a)
np.full_like(a, val)

np.linspace()
np.linspace(1, 10 ,4)
np.linspace(1, 10 ,4, endpoint=False)

np.concatenate()

对于创建后的ndarray数组，可以对其进行维度变化和元素类型变换

a = np.ones(2, 3, 4), dtype = np.int32)

.reshape(shape)
.resize(shape) #改变原数组
.swapaxes(ax1, ax2)
.flatten()


a = np.ones((2, 3, 4), dtype=np.int32)
a = reshape((3, 8))
a.flatten() #降维

a.astype(new_type) #创建新数组

ls = a.tolist()