在学习数据分析时，NumPy作为最基础的数据分析库，我们能够熟练的掌握它是学习数据分析的必要条件。接下来就让我们学习该库吧。
学习NumPy库的环境：
python：3.6.6
编辑器：pycharm
NumPy安装：在cmd命令下，直接使用pip语句，pip install NumPy即可！
NumPy是使用Python进行科学计算的基本软件包。它主要包含一下内容：
- 有一个强大的N维数组对象ndarray;
- 拥有复杂的广播功能函数；
- 整合C/C++和Fortran代码的工具；
- 线性代数、傅里叶变换、随机数生成等功能。
具体的内容可参考NumPy官网信息：点击官网
Python基础数据类型中是没有数组概念，NumPy库能够很好的满足了数组缺失，数组对象的优点有：
- 数组对象可以去掉元素间运算的循环，使一维向量更像单个数据；
- 设置专门的数组对象，经过优化，可以提升这类应用的运算速度；
- 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。
一、ndarray的介绍
1、ndarray的构成：
ndarray有两部分构成，一是实际数据；二是描述这些数据的元数据（数据维度、数据类型等）。ndarray数组一般要求所有元素类型相同（同质），数组的下标从0开始。
其中轴（axis）：保存数组的维度；秩（rank）：轴的数量
2、ndarray对象的属性：
.ndim：秩，即轴的数量或维度的数量；
.shape：ndarray对象的尺度，对于矩阵，n行m列；
.size：ndarray对象元素的个数，相当于.shape的n*m的值；
.dtype：ndarray对象的元素类型；
.itemsize：ndarray对象中每个元素的大小，以字节为单位。
如下举例说明：
求数组a的平方和数组b的立方和：
import numpy as np
def npSum():
a = np.array([0, 1, 2, 3, 4])
b = np.array([9, 8, 7, 6, 5])
c = a ** 2 + b ** 3
return c
print(npSum())
[729 513 347 225 141]
如下是ndarray属性的练习：
import numpy as np
a = np.array([[0, 1, 2, 3, 4], [9, 8, 7, 6, 5]])
print(a)
print(a.ndim)
print(type(a))
print(a.shape)
print(a.size)
print(a.dtype)
print(a.itemsize)
[[0 1 2 3 4]
[9 8 7 6 5]]
2
<class 'numpy.ndarray'>
(2, 5)
10
int32
4
3、ndarray数组的创建方法：
- 从python中的列表、元组等类型创建ndarray；
- 使用NumPy中函数创建ndarray数组，如arange，ones，zeros；
- 从字节流（raw bytes）中创建ndarray数组；
- 从文件中读取特定的格式创建ndarray数组。
如下举例说明：
①、从python中的列表、元组等类型创建ndarray数组：
1 import numpy as np
2 x = np.array([[1, 2], [9, 8], (0.1, 0.2)])
3 print(x)
4 print(x.shape)
5 print(x.size)
6
7 [[1. 2. ]
8 [9. 8. ]
9 [0.1 0.2]]
10 (3, 2)
11 6
②、使用NumPy中函数创建ndarray数组：
np.arange(n) 类似range()函数，返回ndarray类型，元素从0到n-1；
np.ones(shape) 根据shape生成一个全1数组，shape是元组类型；
np.zeros(shape) 根据shape生成一个全0数组，shape是元组类型；
np.full(shape, val) 根据shape生成一个数组，每个元素值都是val；
np.eye(n) 创建一个正方的n*n单位矩阵，对角线为1，其余为0；
类似函数
np.ones_like(a) 根据数组a的形状生成一个全1数组
np.zeros_like(a) 根据数组a的形状生成一个全0数组
np.full_like(a,val) 根据数组a的形状生成一个数组，每个元素值都是val
np.linspace() 根据起止数据等间距地填充数据，形成数组
np.concatenate() 将两个或多个数组合并成一个新的数组
1 import numpy as np
2
3 print(np.arange(10))
4 print(np.ones((3, 6)))
5 print(np.zeros((3, 6), dtype=np.int32))
6 print(np.eye(5))
7
8 [0 1 2 3 4 5 6 7 8 9]
9 [[1. 1. 1. 1. 1. 1.]
10 [1. 1. 1. 1. 1. 1.]
11 [1. 1. 1. 1. 1. 1.]]
12 [[0 0 0 0 0 0]
13 [0 0 0 0 0 0]
14 [0 0 0 0 0 0]]
15 [[1. 0. 0. 0. 0.]
16 [0. 1. 0. 0. 0.]
17 [0. 0. 1. 0. 0.]
18 [0. 0. 0. 1. 0.]
19 [0. 0. 0. 0. 1.]]
1 #不限制数据类型的时候生成的是浮点数
2 a = np.linspace(1, 10, 4)
3 print(a)
4 # endpoint 是指最后一个元素是否是生成的四个元素中的一个
5 b = np.linspace(1, 10, 4, endpoint=False)
6 print(b)
7 c = np.concatenate((a, b))
8 print(c)
9
10
11 [ 1. 4. 7. 10.]
12 [1. 3.25 5.5 7.75]
13 [ 1. 4. 7. 10. 1. 3.25 5.5 7.75]
4、数组的变换
对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换：
ndarray数组的维度变换
.reshape(shape) 不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape) 与.reshape()功能一致，但修改原数组
.swapaxes(ax1, ax2) 将数组n个维度中的两个维度进行调换
.flatten() 对数组进行降维，返回折叠后的一维数组，原数组不变
1 a = np.ones((2, 3, 4), dtype=np.int32)
2 print(a)
3 print(a.reshape((3, 8)))
4 print(a.resize((3, 8)))
5 print(a)
6 print(a.flatten())
7
8 [[[1 1 1 1]
9 [1 1 1 1]
10 [1 1 1 1]]
11
12 [[1 1 1 1]
13 [1 1 1 1]
14 [1 1 1 1]]]
15 [[1 1 1 1 1 1 1 1]
16 [1 1 1 1 1 1 1 1]
17 [1 1 1 1 1 1 1 1]]
18 None
19 [[1 1 1 1 1 1 1 1]
20 [1 1 1 1 1 1 1 1]
21 [1 1 1 1 1 1 1 1]]
22 [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
# astype()方法一定会创建新的数组（原始数组的一个拷贝），即使两个类型一致
1 a = np.ones((2, 3, 4), dtype=np.int)
2 print(a)
3 b = a.astype(np.float)
4 print(b)
5
6 [[[1 1 1 1]
7 [1 1 1 1]
8 [1 1 1 1]]
9
10 [[1 1 1 1]
11 [1 1 1 1]
12 [1 1 1 1]]]
13 [[[1. 1. 1. 1.]
14 [1. 1. 1. 1.]
15 [1. 1. 1. 1.]]
16
17 [[1. 1. 1. 1.]
18 [1. 1. 1. 1.]
19 [1. 1. 1. 1.]]]
5、ndarray数组向列表的转换
1 import numpy as np
2
3 a = np.full((2, 3, 4), 25, dtype=np.int32)
4 print(a)
5 print(a.tolist())
6
7 [[[25 25 25 25]
8 [25 25 25 25]
9 [25 25 25 25]]
10
11 [[25 25 25 25]
12 [25 25 25 25]
13 [25 25 25 25]]]
14 [[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]], [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]