目录
1 初识Numpy
1.1 Numpy介绍
1.2 ndarray介绍
1.3 ndarray与Python原生list运算效率对比
1.4 ndarray的优势
2 N维数组--ndarray
2.1 ndarray的属性
2.2 ndarray的形状
2.3 ndarray的类型
3 基本操作--生成数组的方法
3.1 生成0和1的数组
3.2 从现有数组生成
3.3 生成固定范围
3.4 生成随机数组
4 基本操作--数组的索引、切片
5 基本操作--形状修改
5.1 reshape
5.2 resize
5.3 T（转置）
6 基本操作--类型修改
6.1 astype
6.2 tostring
7 基本操作--数组的去重
7.1 unique
8 ndarray运算
8.1 逻辑运算
8.2 通用判断函数
8.3 np.where(三元运算符)
8.4 统计运算
9 数组间运算
9.1 数组与数的运算
9.2 数组与数组的运算
10 矩阵乘法运算
10.1 矩阵和标量的乘法
10.2 矩阵和矩阵/向量的乘法
1 初识Numpy
1.1 Numpy介绍
Numpy是一个开源的Python科学计算库，用于快速处理多维数组。
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。
1.2 ndarray介绍
Numpy提供了一个N维数组类型ndarray，它描述了相同类型的“items”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
1.3 ndarray与Python原生list运算效率对比
import random
import time
import numpy as np
a = []
for i in range(100000000):a.append(random.random())# 通过%time魔法方法, 查看当前行的代码运行一次所花费的时间
%time sum1=sum(a)b=np.array(a)%time sum2=np.sum(b)
其中第一个内容是使用原生Python计算时间，第二个内容是使用Numpy计算时间。
可以看到，使用Numpy计算时间少些，适用于机器学习中大量的数据运算。
1.4 ndarray的优势
1、内存块风格
ndarray在存储数据的时候，数据与数据地址是连续的，使得批量处理数据元素速度更快。而python原生list就只能通过寻址方式找到下一个元素。
ndarray中的元素类型都是相同的，而python列表中的元素类型是任意的。
2、ndarray支持并行化运算（向量化运算）
3、ndarray底层是用C语言写的，效率更高，释放了GIL（全局解释锁）
2 N维数组--ndarray
2.1 ndarray的属性
数组属性反映了数组本身固有的信息。
| 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 |
2.2 ndarray的形状
一维数组
这个一维数组中有3个元素。
二维数组
这个二维数组中有2个一维数组，每个一维数组中有3个元素。
三维数组
这个三维数组中有2个二维数组，每个二维数组中有2个一维数组，而每个一维数组中有3个元素。
2.3 ndarray的类型
创建数组的时候指定类型
1、单精度浮点数
2、字符串
注：S7表示列表中元素字符个数最大的为7。
3 基本操作--生成数组的方法
3.1 生成0和1的数组
3.2 从现有数组生成
生成方式
np.array(object,dtype) 从现有的数组中创建
np.asarray(object,dtype) 相当于索引形式，并没有真正创建一个新的
关于array和asarray的不同
将a[0,0]修改后，a1[0,0]没有变，而a2[0,0]变了。这是因为a1与a2的生成方式不同。
3.3 生成固定范围
np.linspace (start, stop, num, endpoint)--创建等差数组（指定数量）
np.arange(start,stop,step,dtype)--创建等差数组（指定步长）
step：步长，默认值为1
np.logspace(start,stop,num)--创建等比数列
num：要生成的等比数列数量，默认为50
3.4 生成随机数组
正态分布
正态分布是具有两个参数μ和σ的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ是此随机变量的标准差，所以正态分布记作N(μ，σ )。
μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
方差是在概率论和统计方差衡量一组数据时离散程度的度量。
M为平均值，n为数据总个数，σ 为标准差。标准差σ计算如下：
标准差与方差可以理解为数据的一个离散程度的衡量。
np.random.normal(loc=0.0,scale=1.0,size=None)--正态分布创建方式
均匀分布
np.random.uniform(low=0.0, high=1.0, size=None）
4 基本操作--数组的索引、切片
以二维数组为例：
索引：对象[one][two] 或者 对象[one,two]
切片：对象[one,start:stop]
1、案例：二维数组的切片
2、案例：三维数组的索引
5 基本操作--形状修改
5.1 reshape
5.2 resize
5.3 T（转置）
reshape、T使用后即可返回结果，但是数组本身不会发生变化；resize使用后不会返回结果（需要单独输入stock_change这个变量名才能显示结果），但是数组本身发生变化。
6 基本操作--类型修改
6.1 astype
6.2 tostring
7 基本操作--数组的去重
7.1 unique
8 ndarray运算
8.1 逻辑运算
8.2 通用判断函数
np.all()
np.any()
8.3 np.where(三元运算符)
np.where
复合逻辑需要结合np.logical_and和np.logical_or使用
8.4 统计运算
学生成绩统计运算
9 数组间运算
9.1 数组与数的运算
9.2 数组与数组的运算
满足广播机制实现的条件（1），但是不满足（2）。所以不能进行arr1+arr2的运算。
广播机制
数组在进行矢量化运算时，要求数组的形状是相等的。当形状不相等的数组执行算术运算的时候，就会出现广播机制，该机制会对数组进行扩展，使数组的shape属性值一样，这样，就可以进行矢量化运算了。
广播机制的实现需要满足下面两个条件：
（1）两个数组的某一维度相等。
（2）其中一个数组的某一维度为1。
10 矩阵乘法运算
10.1 矩阵和标量的乘法
10.2 矩阵和矩阵/向量的乘法
矩阵与矩阵的运算，使用matmul和dot的效果是一样的。
matmul不支持矩阵和标量的运算。