轻松掌握Numpy日常用法，体验Numpy之快（一）：https://developer.aliyun.com/article/1496328
6.数组形状：.T/.reshape()/.resize()
ar1 = np.arange(10)
ar2 = np.ones((5,2))
print(ar1,‘\n’,ar1.T)
print(ar2,‘\n’,ar2.T)
print(‘------’)
.T方法：转置，例如原shape为(3,4)/(2,3,4)，转置结果为(4,3)/(4,3,2) → 所以一维数组转置后结果不变
ar3 = ar1.reshape(2,5) # 用法1：直接将已有数组改变形状
#将一维数组改成二维数组
ar4 = np.zeros((4,6)).reshape(3,8) # 用法2：生成数组后直接改变形状
总数一样就行，可以改变形状
元素总数不同，不能改变
ar5 = np.reshape(np.arange(12),(3,4)) # 用法3：参数内添加数组，目标形状
print(ar1,‘\n’,ar3)
print(ar4)
print(ar5)
print(‘------’)
numpy.reshape(a, newshape, order=‘C’)：为数组提供新形状，而不更改其数据，所以元素数量需要一致！！
ar6 = np.resize(np.arange(5),(3,4))
print(ar6)
numpy.resize(a, new_shape)：返回具有指定形状的新数组，如有必要可重复填充所需数量的元素。
注意了：.T/.reshape()/.resize()都是生成新的数组！！！ 使用nump.resize
resize里面的参数，第一个是个数组，第二个是shape
原数组24个元素，新数组27个元素，新数组中元素不够用原数组中元素填充 
多的元素也可以删除
如果resize直接作用于数组，将会改变数组本身，不返回新数组
7.数组的复制
ar1 = np.arange(10)
ar2 = ar1
print(ar2 is ar1)
ar1[2] = 9
print(ar1,ar2)
改其中一个数组的值，另一个也跟着变化，因为都是存在同一个内存地址
回忆python的赋值逻辑：指向内存中生成的一个值 → 这里ar1和ar2指向同一个值，所以ar1改变，ar2一起改变
ar3 = ar1.copy()
print(ar3 is ar1)
ar1[0] = 9
print(ar1,ar3)
修改ar1，ar3不变
copy方法生成数组及其数据的完整拷贝
再次提醒：.T/.reshape()/.resize()都是生成新的数组！！！
8.数组类型转换：数组.astype()
ar1 = np.arange(10,dtype=float)
print(ar1,ar1.dtype)
print(‘-----’)
可以在参数位置设置数组类型，返回新数组，原数组不变
ar2 = ar1.astype(np.int32) 这种方式被遗弃了，后续直接用数据类型 int即可 ar1.astype(int)
print(ar2,ar2.dtype)
print(ar1,ar1.dtype) 
a.astype()：转换数组类型
注意：养成好习惯，数组类型用np.int32，而不是直接int32 现在直接用int
9.数组堆叠
a = np.arange(5) # a为一维数组，5个元素
b = np.arange(5,9) # b为一维数组,4个元素
ar1 = np.hstack((a,b)) # 注意:((a,b))，这里形状可以不一样
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
a = np.array([[1],[2],[3]]) # a为二维数组，3行1列
b = np.array([[‘a’],[‘b’],[‘c’]]) # b为二维数组，3行1列
ar2 = np.hstack((a,b)) # 注意:((a,b))，这里形状必须一样
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
print(‘-----’)
numpy.hstack(tup)：水平（按列顺序）堆叠数组
a = np.arange(5)
b = np.arange(5,10)
ar1 = np.vstack((a,b))
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
a = np.array([[1],[2],[3]])
b = np.array([[‘a’],[‘b’],[‘c’],[‘d’]])
ar2 = np.vstack((a,b))
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
print(‘-----’)
numpy.vstack(tup)：垂直（按列顺序）堆叠数组 垂直堆叠要保证列的数量是一致的
a = np.arange(5) b = np.arange(5,10) ar1 = np.stack((a,b)) ar2 = np.stack((a,b),axis = 1) print(a,a.shape) print(b,b.shape) print(ar1,ar1.shape) print(ar2,ar2.shape) # numpy.stack(arrays, axis=0)：沿着新轴连接数组的序列，形状必须一样！ # 重点解释axis参数的意思，假设两个数组[1 2 3]和[4 5 6]，shape均为(3,0) # axis=0：[[1 2 3] [4 5 6]]，shape为(2,3) # axis=1：[[1 4] [2 5] [3 6]]，shape为(3,2)
10.数组拆分
ar = np.arange(16).reshape(4,4)
ar1 = np.hsplit(ar,2)
print(ar)
print(ar1,type(ar1))
numpy.hsplit(ary, indices_or_sections)：将数组水平（逐列）拆分为多个子数组 → 按列拆分
输出结果为列表，列表中元素为数组
ar2 = np.vsplit(ar,4)
print(ar2,type(ar2))
numpy.vsplit(ary, indices_or_sections)：:将数组垂直（行方向）拆分为多个子数组 → 按行拆
11.数组简单运算
ar = np.arange(6).reshape(2,3)
print(ar + 10) # 加法
print(ar * 2) # 乘法
print(1 / (ar+1)) # 除法
print(ar ** 0.5) # 幂
与标量的运算
print(ar.mean()) # 求平均值
print(ar.max()) # 求最大值 
print(ar.min()) # 求最小值
print(ar.std()) # 求标准差
print(ar.var()) # 求方差
print(ar.sum(), np.sum(ar,axis = 0)) # 求和，np.sum() → axis为0，按列求和；axis为1，按行求和
print(np.sort(np.array([1,4,3,2,5,6]))) # 排序
