1. NumPy的基础使用涵盖如下内容：
数据类型
数组类型
类型转换
创建数组
数组索引
数组切片
改变维度
2. NumPy数组对象：
NumPy中的ndarray是一个多维数组对象，该兑现共有两部分组成：
实际的数据
描述这些数据的元数据。
大部分的数组操作仅仅修改元数据部分而不改变底层的实际数据（其实就是一种浅拷贝理解）。
ndarray支持更高的维度，因为数组一般是同质的，所以数组所有的元素类型必须是一致的。
NumPy与Python一样数组的下标都是从0开始的。
2.1 numpy.arange()创建数组和numpy.array()创建向量：
dtype：
import numpy as np a = np.arange(5) print(a.dtype)
arange(开始值，结束值，dtype)
dtype返回的是数据类型，这里返回的是int32或int64
shape：
import numpy as np a = np.array([0,1,2,3,4]) print(a.shape) (5,)
我们用shape返回向量的维度，这里是5行，列为空，返回值为元组类型。
2.2 创建多维数组：
import numpy as np a = np.array([np.arange(2),np.arange(2)]) print(a) #[[0 1] # [0 1]] print(a.shape) #(2, 2)
我们将arange函数创建的数组作为向量/列表的元素，把这个列表作为参数传递给array函数，从而创建了一个2*2的多维数组。
2.3 选取数组元素：
有时候我们需要选取数组中的某个特定元素。喜爱宝是从0开始的
import numpy as np a = np.array([[1,2],[3,4]]) print(a) #[[1 2] # [3 4]] print(a[0,0]) #1 print(a[1,1]) #4
我们发现，在整个数组必须有一个大的括号包裹进里面的内容。
2.4 数据类型：
a = np.array([[1,2],[3,4]],dtype='f')
这些类型有些资料可以查找。另外还可以指定复数数组。
2.5 自定义数据类型和dtype类的属性：
查看占用字节数：
itemsize
import numpy as np a = np.array([[1,2],[3,4]],dtype='f') print(a.dtype.itemsize) #4
自定义数据类型用dtype，然后在调用：
import numpy as np t = np.dtype([('name',str,40),('numitems',int),('price',float)]) print(t) #[('name', '<U40'), ('numitems', '<i4'), ('price', '<f8')] print(t['name']) #<U40 itemz = np.array([('Meaning of life DVD',42,3.14),('Butter',13,2.72)],dtype=t) print(itemz[1]) #('Butter', 13, 2.72)
2.6 一维数组的索引和切片：
import numpy as np a = np.arange(9) print(a) #[0 1 2 3 4 5 6 7 8] print(a[3:7]) #[3 4 5 6] print(a[:7:2]) #[0 2 4 6] print(a[::-1]) #[8 7 6 5 4 3 2 1 0]
我们发现这和Python列表的索引和切片是一样的。
2.7 多维数组的切片和索引：
reshape：表示三维坐标来选定任意一个，即楼层、行号、列号
import numpy as np b0 = np.arange(24) print(b0) #[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] b = np.arange(24).reshape(2,3,4) print(b) #[[[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] # # [[12 13 14 15] # [16 17 18 19] # [20 21 22 23]]] print(b.shape) #(2, 3, 4) print(b[:,0,0]) #[ 0 12]
2.8 改变数组的维度：
reshape(a,newshape,order='C')
其中：
a：数组-需要处理的数据。
newshape：新格式-整数或数组（2,3）表示2行3列。新的形状应该与原来的形状金融。
order：情况比前面两个参数有些复杂，这里会用比较大的篇幅解释，并在后面给出一个比较容易的示例。
“C”指的是用类C写的读/索引顺序的元素，最后一个维度变化最快，第一个维度变化最慢。以二维数组为例，简单来讲就是横着读，横着写，优先读/写一行。
“F”是指用FORTRAN类索引顺序读/写元素，最后一个维度变化最慢，第一个维度变化最快。竖着读，竖着写，优先读/写一列。注意，“C”和“F”选项不考虑底层数组的内存布局，只引用索引的顺序。
“A”选项所生成的数组的效果与原数组a的数据存储方式有关，如果数据是按照FORTRAN存储的话，它的生成效果与”F“相同，否则与“C”相同。这里可能听起来有点模糊，下面会给出示例。
注：FORTRAN和C是两个语言，他们存储数组的方式不同，FORTRSAN为列有限，而C为行优先。在python中默认数组生成的时候是按照C的方式进行存储。但，很多时候我们需要调用Fortran的一些库进行数学计算，所以需要让numpy生成的数组变成按照FORTRAN的方式存储。
import numpy as np b0 = np.arange(4) print(b0) #[0 1 2 3] b1 = b0.reshape((2,2)) print(b1) #[[0 1] # [2 3]] b2 = np.arange(8) b3 = b2.reshape(2,2,2) print(b3) #[[[0 1] # [2 3]] # # [[4 5] # [6 7]]]
ravel：
对矩阵进行展平操作：
import numpy as np b0 = np.array([np.arange(2),np.arange(2)]) print(b0) # #[[0 1] # [0 1]] print(b0.ravel()) #[0 1 0 1]
flatten：
· 也是展平操作，与ravel函数的功能相同。但是flatten函数会请求分配内存来报错结果，而ravel函数知识返回数组的一个视图（view）
resize：
与reshaple函数工呢狗一样，但是热死则会直接修改锁操作的数组。
transpose：
转置操作，属于数组的运算：
import numpy as np b0 = np.array([np.arange(2),np.arange(2)]) print(b0) # #[[0 1] # [0 1]] print(b0.transpose()) #[[0 0] # [1 1]]
2.9 数组的组合：
vstack：
垂直组合
import numpy as np a = np.arange(9).reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = 2 * a print(b) #[[ 0 2 4] # [ 6 8 10] # [12 14 16]] print(np.vstack((a,b))) #[[ 0 1 2] # [ 3 4 5] # [ 6 7 8] # [ 0 2 4] # [ 6 8 10] # [12 14 16]]
dstack：
深度组合：就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平面内的图像点阵数据，我们可以讲这些图像数据沿着纵轴方向层叠一起，就香香的解释了什么是深度组合。
import numpy as np a = np.arange(9).reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = 2 * a print(b) #[[ 0 2 4] # [ 6 8 10] # [12 14 16]] print(np.dstack((a,b))) #[[[ 0 0] # [ 1 2] # [ 2 4]] # # [[ 3 6] # [ 4 8] # [ 5 10]] # # [[ 6 12] # [ 7 14] # [ 8 16]]]
hstack：
水平组合
import numpy as np a = np.arange(9).reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = 2 * a print(b) #[[ 0 2 4] # [ 6 8 10] # [12 14 16]] print(np.hstack((a,b))) #[[ 0 1 2 0 2 4] # [ 3 4 5 6 8 10] # [ 6 7 8 12 14 16]]
colum_stack：
列组合：column_stack函数对于一维数组将按照列方向进行组合。
import numpy as np # 一维数组 oned = np.arange(2) print(oned) #[0 1] twice_oned = 2 * oned print(twice_oned) #[0 2] print(np.column_stack((oned,twice_oned))) #[[0 0] # [1 2]] # 二维数组：对于二维数组column_stack的效果是hstack的效果是一样的。
row_stack:
行组合：对于两个以为少数族直接层叠起来合成一个二维数组。
concatenate:
这个的效果和hstack的效果是一样的。
2.10 数组的分割：
hsplit：
水平分割
import numpy as np a = np.arange(9) a = a.reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] # 水平分割为3个大小相同的子数组 print(np.hsplit(a,3)) #[array([[0], # [3], # [6]]), #array([[1], # [4], # [7]]), #array([[2], # [5], # [8]])]
vsplit：
垂直分割：
dsplit：
深度分割：
split：
默认分割
print(np.split(a,3,axis=1))
1 = 垂直，0 =水平
2.11 数组的属性：
ndim属性，给出数组的维数或者数组轴的个数
size属性，给出数组元素的总个数
itemsize属性，给出数组中的元素在内存中所占的字节数
real属性，给出实部
image属性，给出虚部
flat属性将返回一个numpy.flatiter对象，这是获得flatiter对象的唯一方式，我们无法访问flatiter的构造函数。这个所谓“扁平迭代器”，可以让我们像遍历一维数组一样去遍历任意多维数组。
2.12 数组的转换：
tolist：
将numpy数组格式转换成python列表模式
import numpy as np a = np.arange(9).reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = a.tolist() print(b,type(b)) # [6 7 8]] #[[0, 1, 2], [3, 4, 5], [6, 7, 8]] <class 'list'>
2.13 数组的运算：
加减乘除
转置：transpose
逆矩阵：linalg.inv()
import numpy as np a = np.arange(9).reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = np.linalg.pinv(a) print(b) #[[-5.55555556e-01 -1.66666667e-01 2.22222222e-01] # [-5.55555556e-02 2.01227923e-16 5.55555556e-02] # [ 4.44444444e-01 1.66666667e-01 -1.11111111e-01]]
对角线矩阵：eye
a = np.arange(9).reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = np.eye(9,9) print(b) #[[1. 0. 0. 0. 0. 0. 0. 0. 0.] # [0. 1. 0. 0. 0. 0. 0. 0. 0.] # [0. 0. 1. 0. 0. 0. 0. 0. 0.] # [0. 0. 0. 1. 0. 0. 0. 0. 0.] # [0. 0. 0. 0. 1. 0. 0. 0. 0.] # [0. 0. 0. 0. 0. 1. 0. 0. 0.] # [0. 0. 0. 0. 0. 0. 1. 0. 0.] # [0. 0. 0. 0. 0. 0. 0. 1. 0.] # [0. 0. 0. 0. 0. 0. 0. 0. 1.]]
零矩阵：zeros
空矩阵：empty
三角矩阵：diag
import numpy as np a = np.arange(9).reshape(3,3) print(a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = np.diag((1,2,3)) print(b) #[[1 0 0] # [0 2 0] # [0 0 3]]
2.14 矩阵库Matrix函数：
matrices必须是二维的，但是numpy arrays（ndarrays可以是多维的），matrix最主要的优势就是类似于matlab中的格式很相似，不用方括号括起来看起来不那么方便。但是是一种矩阵格式的数据不是ndarrays数据的格式，同样也可以通过tolist进行转化
import numpy as np
a = np.mat('4 3;2 1')
print(a)
#[[4 3]
# [2 1]]
print(type(a))
#<class 'numpy.matrixlib.defmatrix.matrix'>
b = a.tolist()
print(b,type(b))
#[[4, 3], [2, 1]] <class 'list'>