1 Numpy优势
1.定义
开源的Python科学计算库，
用于快速处理任意维度的数组
Numpy中，存储对象是ndarray
2.创建
np.array([])
3.numpy的优势
内存块风格 -- 一体式存储
支持并行化运算
效率高于纯Python代码 -- 底层使用了C，内部释放了GIL
2 N维数组-ndarray
1.ndarray的属性
属性名字 属性解释
ndarray.shape 数组维度的元组
ndarray.ndim 数组维数
ndarray.size 数组中的元素数量
ndarray.itemsize 一个数组元素的长度（字节）
ndarray.dtype 数组元素的类型
2.ndarray的形状
np.array()
三维数组不好理解 -- excel中有多个sheet
3.ndarray的类型
bool
int
float
str
...
注意：若不指定，整数默认int64，小数默认float64
3 基本操作
1 生成数组的方法
1.生成0和1的数组
np.ones()
np.ones_like()
2.从现有数组中生成
np.array -- 深拷贝
np.asarray -- 浅拷贝
3.生成固定范围数组
np.linspace()
nun -- 生成等间隔的多少个
np.arange()
step -- 每间隔多少生成数据
np.logspace()
生成以10的N次幂的数据
4 生成随机数组
1.均匀分布生成
np.random.uniform()
low
high
size
2.正态分布
均值，方差
均值 -- 图形的左右位置
方差 -- 图像是瘦，还是胖
值越小，图形越瘦高，数据越集中
值越大，图形越矮胖，数据越分散
3.正态分布api
np.random.normal()
low
high
size
2.数组的索引、切片
直接索引
先对行进行索引，再进行列索引
高维数组索引，从宏观到微观
3.形状修改
1.对象.reshape
不进行行列互换，产生新变量
2.对象.resize
不进行行列互换,对原值进行更改
3.对象.T
进行行列互换
4.类型修改
对象.astype()
5.数组去重
np.unique()
4 ndarray运算
1.逻辑运算
大于，小于直接进行判断
赋值：满足要求，直接进行赋值
2.通用判断函数
np.all()
所有满足要求，才返回True
np.any()
只要有一个满足要求，就返回True
3.三元运算符
np.where()
满足要求，赋值第一个值，否则赋值第二个值
np.logical_and()
并
np.logical_or()
或
4.统计运算
min
max
midian
mean
std -- 标准差
var -- 方差
argmax -- 最大值下标
argmin -- 最小值下标
5 矩阵
1.矩阵和向量
矩阵：理解-二维数组
向量：理解-一维数组
2.加法和标量乘法
加法： 对应位置相加
乘法： 标量和每个位置的元素相乘
3.矩阵向量（矩阵）乘法
[M行, N列][N行, L列] = [M行, L列]
4.矩阵乘法性质
1.满足结合律，不满足交换律
5.单位矩阵
对角线为1，其他位置为0的矩阵
6.逆
矩阵A矩阵B=单位矩阵I
那么A和B就互为逆矩阵
7.转置
行列互换
6 数组间运算
1.数组和数字是直接可以进行运算
2.数组和数组
需要满足广播机制
维度相同
shape对应位置为1
3.矩阵乘法api
np.dot --点乘
np.matmul -- 矩阵相乘
注意：两者之间在进行矩阵相乘时候，没有区别
但是，dot支持矩阵和数字相乘