Numpy----Python开源的科学计算工具包
高级的数值编程工具
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
1、Numpy基础数据结构
NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成：
① 对数组结构数据进行运算(不用遍历循环)
② 随机数、线性代数、博立叶变换等功能
许多高级工具的构建基础，比如Pandas
ndarray介绍：
NumPy provides an N-dimensional array type, the ndarray,
which describes a collection of “items” of the same type.
NumPy提供了一个N维数组类型ndarray，它描述了相同类型item的集合。
用ndarray进行存储：
import numpy as np
#创建ndarray
score = np.array(
[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]])
score
2、Ndarray的优势
2.1 内存块风格
ndarray到底跟原生python列表有什么不同呢，请看一张图：
从图中我们可以看出ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，
而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，
但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。
2.2 ndarray支持并行化运算（向量化运算）
numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算
2.3 效率远高于纯Python代码
Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯Python代码。
3、多维数组ndarray
先下载numpy:
pip install numpy
import numpy as np
ar = np.array([1,2,3,4,5,6,7])
print(ar) # 输出数组，注意数组的格式：中括号，元素之间没有逗号（和列表区分）
print(ar.ndim) # 输出数组维度的个数（轴数），或者说“秩”，维度的数量也称rank
新版本中，多维数组，里面的每个数组长度必须相同，否则报错
如果不想报错，加上dtype=object
三维数组
三维数组
print(ar.shape) # 数组的维度，对于n行m列的数组，shape为（n，m）
2行5列
print(ar.size) # 数组的元素总数，对于n行m列的数组，元素总数为n*m
print(ar.dtype) # 数组中元素的类型，类似type()（注意了，type()是函数，.dtype是方法）
print(ar.itemsize) # 数组中每个元素的字节大小，int32l类型字节为4，float64的字节为8
print(ar.data) # 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。
查看下ar数组
ar # 交互方式下输出，会有array(数组)
#数组的基本属性
#① 数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推
#② 在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量：
#比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组
#所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。
#而轴的数量——秩，就是数组的维数。
1.创建数组：array()函数，括号内可以是列表、元祖、数组、生成器等
ar1 = np.array(range(10)) # 整型
ar2 = np.array([1,2,3.14,4,5]) # 浮点型
ar3 = np.array([[1,2,3],(‘a’,‘b’,‘c’)]) # 二维数组：嵌套序列（列表，元祖均可）
数据类型也会转换
ar4 = np.array([[1,2,3],(‘a’,‘b’,‘c’,‘d’)]) # 注意嵌套序列数量不一会怎么样
数量不一样，新版本直接报错
换成1.22.4版本，不报错，但是警告即将被废弃该用法
print(ar1,type(ar1),ar1.dtype)
print(ar2,type(ar2),ar2.dtype)
print(ar3,ar3.shape,ar3.ndim,ar3.size) # 二维数组，共6个元素
print(ar4,ar4.shape,ar4.ndim,ar4.size) # 一维数组，共2个元素
2.创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。
print(np.arange(10)) # 返回0-9，整型
print(np.arange(10.0)) # 返回0.0-9.0，浮点型
print(np.arange(5,12)) # 返回5-11
print(np.arange(5.0,12,2)) # 返回5.0-12.0，步长为2
print(np.arange(10000)) # 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：
3.创建数组：linspace():返回在间隔[开始，停止]上计算的num个均匀间隔的样本。前闭后闭
ar1 = np.linspace(2.0, 3.0, num=5)
创建5个间隔均匀的样本
ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False) 不包含最后一个值，默认是true包含
如果为真，输出(结果，步长)
ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)
得到的是元祖
print(ar1,type(ar1)) print(ar2) print(ar3,type(ar3)) # numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 默认值 # start：起始值，stop：结束值 # num：生成样本数，默认为50
#endpoint：如果为真，则停止是最后一个样本。否则，不包括在内。默认值为True。
#retstep：如果为真，返回（样本，步长），其中步长是样本之间的间距 → 输出为一个包含2个元素的元祖，第一个元素为array，第二个为步长实际值
4.创建数组：zeros()/zeros_like()/ones()/ones_like()
ar1 = np.zeros(5)
ar2 = np.zeros((2,2), dtype = int)
print(ar1,ar1.dtype)
print(ar2,ar2.dtype)
print(‘------’) 
numpy.zeros(shape, dtype=float, order=‘C’):返回给定形状和类型的新数组，用零填充。
shape：数组纬度，二维以上需要用()，且输入参数为整数
dtype：数据类型，默认numpy.float64
order：是否在存储器中以C或Fortran连续（按行或列方式）存储多维数据。
ar3 = np.array([list(range(5)),list(range(5,10))])
ar4 = np.zeros_like(ar3)
用0填充结构与谁类似
print(ar3)
print(ar4)
print(‘------’)
#返回具有与给定数组相同的形状和类型的零数组，这里ar4根据ar3的形状和dtype创建一个全0的数组
ar5 = np.ones(9)
ar6 = np.ones((2,3,4))
ar7 = np.ones_like(ar3)
print(ar5)
print(ar6)
print(ar7)
#ones()/ones_like()和zeros()/zeros_like()一样，只是填充为1 
5.创建数组：eye()
print(np.eye(5))
创建一个正方的N*N的单位矩阵，对角线值为1，其余为0
轻松掌握Numpy日常用法，体验Numpy之快（二）：https://developer.aliyun.com/article/1496336
