主题思想
摘要：有损地去数据特征的过程
基本统计（含排序）
分步/累计统计
数据特征
相关性，周期性等
数据挖掘（形成知识）
IPython的%魔术命令
%magic 显示所有魔术命令
%hist IPython命令的输入历史
%db 异常发生后自动进入调试器
%reset 删除当前命名空间中的全部变量或名称
%who 显示Ipython当前命令空间中已经定义的变量
%time statement 给出代码的执行时间，statement表示一段代码
%timeit statement 多次执行代码，计算综合平均执行时间
NumPy
是一个开源的python科学计算基础库
一个强大的N维数组对象ndarray
广播功能函数
整合C/C++/Fortran代码的工具
线性代数，傅里叶变换，随机数生成等功能
是SciPy，Pandas等数据处理或科学计算库的基础
import numpy as np
def npSum(): # 要想的是：a 跟 b 是一个数据 a = numpy.array([1,2,3,4,5]) b = numpy.array([6,7,8,9,0]) c = a**2 + b**3 return c print(npSum())
N维数组对象： ndarray
数组对象可以去掉元素间运算所需的循环，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
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）
ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始
s = numpy.array([[0,1,2,3,4],[9,8,7,6,5]])
print(s)
numpy.array()生成一个ndarray数组
ndarray在程序中的别名是array
numpy.array()输出成[]形式，元素有空格分割
轴（axis）：保存数据的维度
秩（rank）：轴的数量
排序
# 排序 s.sort()
切片
#数组[起始小标:最终下标+1] y = np.array([1,5,9,6,4,3]) a = s[1:3] # 1-2 # [5,9]
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对象的元素的个数，相当于。shape中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，以字节为为单位
ndarray的元素类型
bool 布尔类型，True或False
intc 与C语言中的int类型一致，一般是int32或int64
intp 用于索引的整数，与C语言中ssize_t一致，int32或int64
int8 字节长度的整数，取值：[-128,127]
int16 16位长度的整数，取值：[-32768,32767]
int32 31位长度的整数，取值：[-2*32，2*32-1]
int64 64位长度的整数，取值：[-2*63，2*63-1]
uint8 8位无符号整数，取值：[0，255]
uint16 16位无符号整数，取值：[0,65535]
uint32 32位无符号整数，取值：[0,2*32-1]
uint64 64位无符号整数，取值：[0,2*64-1]
float16 16位半精度浮点数：1位符号位，5位指数，10尾数
float32 32位半精度浮点数：1位符号位，8位指数，23尾数
float64 64位半精度浮点数：1位符号位，11位指数，52尾数
complex64 复数类型，实部和虚部都是32位浮点数
complex128 复数类型，实部和虚部都是64位浮点数
实部(.real) + j虚部(.imag)
ndarray为什么支持这么多种元素类型？
对比：python语法仅支持整数，浮点数和复数3种类型
科学计算涉及数据较多，对存储和性能都有较高要求
对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能
对元素类型精细定义，有助于程序员对程序规模有合理评估
x = numpy.array([[0,1,2,3,4],[9,8,7,6]])
ndarray数组可以由非同质对象构成
非同质ndarray元素为对象类型
非同质ndarray对象无法有效发挥Nu,Py优势，尽量避免使用
x.shape # 返回 (2,) 没有更进一步的分析 x.dtype #返回 dtype('o') o 是对象类型