一、NumPy简介和安装
二、NumPy型数组--ndarray简介
三、NumPy型数组--ndarray的应用
四、NumPy型数组--ndarray数据类型
五、NumPy型数组--ndarray数据类型（NaN，INF）
六、NumPy型数组--ndarray的创建
6.1一维数组的创建
6.2多维数组的创建
七、NumPy型数组--ndarray的属性
八、NumPy型数组--ndarray运算（加减乘除）
九、NumPy型数组--ndarray运算（函数）
十、NumPy型数组--ndarray筛选数据
10.1通过索引筛选数据
10.2 通过切片筛选数据
一、NumPy简介和安装
NumPy是高性能科学计算和数据分析的基础包，是pandas等其他各种工具的基础
安装方法：
pip3 install numpy
引用方式：
import numpy as np
二、NumPy型数组--ndarray简介
之前python中学过的类似数组类型有：列表，元祖
而在NumPy中，有专门的数组类型叫ndarray，可以由列表，元祖转换而成。
ndarray,一个多维数组结构，高效且节省空间
无需循环对数组数据进行快速运算的数学函数
线性代数、随机数生成和傅里叶变换功能
三、NumPy型数组--ndarray的应用
例如：已知若干家跨国公司的市值（美元），将其转换为人民币
a = [ramdom.uniform(1000.0, 2000.0), for i in range(50)]
dic = 6.8
a=np.array(a)
a*dic //得出结果
例如：已知购物车的商品价格和商品数量求商品总金额
price = [ramdom.uniform(100.0, 200.0), for i in range(50)]
quantity=[ramdom.randint(1,10), for i in range(50)]
price=np.array(price)
quantity=np.array(quantity)
price*quantity //每个商品总价 每一项分别相乘
price*quantity.sum() //所有商品总价
四、NumPy型数组--ndarray数据类型
数组对象内元素类型必须相同，数组大小不可更改
布尔型：bool_
字符型： str
整型：int_ int8 int16 int32 int64 //数字表示位
无符号整型：uint8 uint16 uint32 uint64 //只表示0和正数
浮点：float_ float16 float32 float64
复数：complex_ complex64 complex128
五、NumPy型数组--ndarray数据类型（NaN，INF）
NAN：不是数字，不等于任何浮点数，也不等于自己 ，例如：0/0 sqrt(-1)
INF：无限大的float，比任何浮点数都大 np.inf==np.inf为真 例如： 5/0
怎样判断结果集b里有没有NAN？[nan,1.]
np.isnan(b) [True,False] # 判断有没有NAN
b[~(np.isnan(b))] # 删除NAN
怎样过滤c中的INF？
c[c!=np.inf] 或 c[np.isinf(c)]
六、NumPy型数组--ndarray的创建
读取文件：
numpy.genfromtxt("word.txt", delimiter=",", dtype=str, skip_header=1)
6.1一维数组的创建
np.array([1,2,3,4,5])
np.array( [ramdom.uniform(100.0, 200.0), for i in range(50)] ) //由列表生成式转换，产生50个100-200之间的随机浮点数
np.array(range(20)) //由迭代器转换
np.zeros(10,dtype=np.int32) //10个0，默认是float
np.zeros( (3,4) ) //3行4列的零
np.ones(10) //10个1，默认是float
a=np.empty(100) //随机值，之前内存的残值。要确认以后会赋值就用这个
np.arange(2,100,3) //起始值，结束值，步长，步长可为小数
np.linspace(0,100,101) //[起始值，结束值],个数。等差数列
NumPy随机数生成：
np.random.randint(0, 10, 30) #生成30个0~10范围的数
np.random.randint(0, 10, (3,5,6)) # 生成三维数组(3,5,6)
np.random.rand(10) # 返回10个0~1的数
np.random.choice([1,2,3,4,5], 10) # 返回列表中的数，共10个
np.random.uniform(2.0, 4.0, 10) # 返回10个2.0~4.0的浮点数，平均分布
6.2多维数组的创建
np.arange(15),reshape((3,5)) //15个数变成3行5列的二维数组
np.array([ [1,2,3], [4,5,6] ]) //二维数组"一张纸"
np.array([ [ [1,2,3], [4,5,6],[3,2,1],[6,5,4] ] , [ [1,2,3], [4,5,6],[3,2,1],[6,5,4] ] ]) //三维数组"一个本"
七、NumPy型数组--ndarray的属性
a = np.array(range(20))
1、a.dtype //查看存的数据的类型
2、a.size //查看数组元素个数
3、a.shape //返回行列数：一维返回（列数,） 二维返回（行数,列数），三维返回（厚度，行数，列数）
4、a.T //行转列
5、a.ndim //查看维数
6、数据类型转换： a.astype( float )
八、NumPy型数组--ndarray运算（加减乘除）
向量：ndarray
标量：1，2,3,4等
ndarray可以和标量运算: +-*/><
ndarray可以和ndarray运算(长度一样才行)：+-*/><
九、NumPy型数组--ndarray运算（函数）
能同时对数组中所有元素进行运算
通用函数：
np.abs
np.sqrt
np.ceil 向上取整
np.floor 向下取整
np.round<==>np.rint 向外取整
np.trunc 向0取整
np.modf x,y=np.modf(a) x是小数部分，y是整数部分
多维数组转一维数组：a.reval()
一维数组转多维数组(6行2列)：a.shape=(6,2)
np.vstack( (a,b) ) # a,b拼接，a，b的列数必须一样，纵向拉长
np.hstack(a,b) # a,b拼接，a，b的行数必须一样，横向拉长
np.hsplit(a,3) # 按列切分隔3列切一刀，上面的逆操作
np.hsplit(a, (3,4) ) # 按列切分, (3,4)处切一刀
np.vsplit... # 同理 ，按行切分
二元函数：
np.maximum(a, b) # 一一对应取出最大的
np.minmum(a, b) # 一一对应取出最小的
求和：axis=0/1 按行或列求
a.sum(axis=0/1) # 对a中所有的求和
a.mean(axis=0/1) # 求平均值
a.var(axis=0/1) # 求方差 表示数据的离散程度，越高表示离散程度越高
a.std() # 求标准差。通过方差开方得到。
a.min(axis=0/1) # 返回最小值
a.max(axis=0/1) # 返回最大值
a.argmax(axis=0/1) # 返回最大值的下标
a.argmin(axis=0/1) # 返回最小值的下标
十、NumPy型数组--ndarray筛选数据
10.1通过索引筛选数据
ndarray普通索引：
一维数组： a[0] a[1] a[2]
二维数组：a[0][0] a[0,0] 推荐第二种
ndarray布尔型索引：逻辑或/与
例如：给一个数组，选出数组中所有大于5的数
a=np.arange(10)
a[a>5]
原理：//先执行a>5得到布尔数组，
//布尔索引：把同样大小的布尔数组传进索引，这样把a里对应为True的返回
例如：选出数组中大于5的偶数
a[(a>5) & (a%2==0)] //用&要加括号，不加报错
a[(a>5) | (a%2==0)] //逻辑或
ndarray花式索引：
a = np.arange(20)
例如：取出1,3,4,6,7位置的值
b=[1,3,4,6,7]
a[b]
10.2 通过切片筛选数据
ndarray切片 和 普通列表切片有什么不同？
ndarray切片默认是原数组的引用，修改切片会导致原数组修改
除非使用：a[0:4].copy()才复制一份
一维数组切片：
a[0:4:2] //开始位置，结束位置，步长
二维数组切片：
例如a=np.array([ [1,2,3], [4,5,6] ])
切1,2,4,5逗号左边是行右边是列
a[0:2,0:2]
二维数组
a[0, : ] 第一行切片
a[0: a[0]>2] 第一行大于2的
a[[1,3],:][:,[1,3]] 取1,3行中的1,3列