数组的类型及形状
numpy里面的数据类型
numpy里面的数据类型，其实就是封装了python里面的基础的数据类型，然后还进行细致划分，之后封装为np.数据类型
1，创建数组的时候通过dtype属性来指定 元素的数据类型
arr=np.array([1,2,3,4]),dtype=float32()
2，也可以进行强制转换
res=np.float32(5)
3，可以通过stype来修改数据类型
将arr的float32类型转化为int32类型
arr=arr.astype(np.int32)
arr.dtype=np.int32-->转化类型正确，但是元素发生变化，不建议用
4，ndarray也可以存储复合数据类型--了解
存储人对象--人对象 3个属性--姓名，身高，体重
df=np.dtype([('name',np.str,40),('high',np.float32),('weight',np.float32)])
#创建一个存储复合数据的数组对象
arr=np.arrpy([('bq',168.5,50.5),('yf',172,55),dtype=df])--一般不用，后面有专门的结构去存储复合类型
#形状--shape
arr=np.arange(16)#--0到15的一维数组
print(arr)
print('arr的形状:\n',arr.shape)
#arr的形状(16,)
#修改形状 --元素的总个数必须一致
#1，通过shape 属性进行修改
arr.shape=(4,4)
print(arr)
print('arr的形状:\n',arr.shape)
#2，通过reshape来修改数组的形状
#reshape 会返回一个新的数组，需要去接收
arr=arr.reshape((4,4))
print(arr)
print('arr的形状:\n',arr.shape)
数组的索引
import numpy as np
#创建一个一维数组
arr=np.arange(1,10)
print(arr)
#使用单独的下标 会造成降低维度
#获取 arr里面的6 这个元素--下标
print('获取arr里面的6:',arr[5])#--0维
#获取 arr里面的9 这个元素--下标
print('获取arr里面的9:',arr[-1])
#获取arr里面的6和9 --下标列表--没降维
print('获取arr里面的6和9:\n',arr[5,-1])#--1维
#运行结果 [6,9]
#获取arr 里面的6 这个元素 --切片--没降维
print('获取arr里面的6:\n,arr[5:6])
#获取arr里面的9 这个元素 --切片
print('获取arr里面的9:\n,arr[-1:]
#获取arr里面的6和9着两个元素--切片
print('获取arr里面的6和9:\n',arr[5::3])
#创建一个二维数组 从第0行开始
arr=np.arange(1,17).reshape(4,4))
print(arr)
#使用单独的下标 会进行降低维度
#使用切片不降低维度
#使用下标列表--可以理解为 将多个下标的值取出来，然后组合起来--一维
#获取arr里面的 6这个元素
print('获取arr里面的6:\n',arr[1,1]
#获取arr里面的11这个元素
print('获取arr里面的11:\n',arr[2,2]
#获取arr里面的6和11 这两个元素 #--下标列表
#找的 行列上--对应位置的元素
print('获取arr里面的6和11 这两个元素:\n',arr[[1,2],[1,2]])
#获取arr里面的8和15 这两个元素--下标列表
print('获取arr里面的8和15 这两个元素:\n',arr[1,3],[3,2])
#获取arr里面的6 这个元素--切片
print('获取arr里面的6--切片--二维 这个元素:\n',arr[1:2,1:2])
#获取arr里面的11这个元素--切片
print('获取arr里面的11这个元素:\n',arr[2:3,2:3])
#获取arr里面的6和11 这两个元素 --下标列表
print('获取arr里面的6和7 ，10和11:\n',arr[[1,2],1:3])#获取的 一块元素
#获取11 12 15 16这四个元素
print('获取 11 12 15 16这四个元素:\n',arr[2:,2:])
#使用下标列表 --获取11 12 15 16这四个元素
print('获取11 12 15 16这四个元素:\n',arr[[2,2,3,3],[2,3,2,3]])
#获取4 8 12 16 这一列
print('获取4 8 12 16 这一列:\n',arr[:,3:])
print('获取4 8 12 16 这一列:\n',arr[:,3])
#三维数组 --arr[块,行,列]
#n维数组 ---arr[n-1个逗号]将n个维度划分开来，然后在对应的维度进行索引
#bool 数组索引
#创建一个bool数组
bool_index=np.array([0,1,1,0],dtype=np.bool)
print('bool_index:\n',bool_index)
# 利用bool数组进行 索引 arr #--如果为True 就选中，如果为Flase就干掉
#bool数组长度必须和 你要索引的维度的数量必须相等
print(arr[bool_index,:])
print(arr[:,bool_index])
print(arr[bool_index,bool_index])#参考前后都是下标列表理解
03数组的展开
#创建一个二维数组
np.arange(1,17).reshape((4,4))
print(arr)
#将二维转为一维
arr=arr.reshape((16,))
arr.shape=(16,)
#数组的展开 flatten默认（C风格 行优先） （F风格 列优先）
#flatten --ravel --功能没有区别
#都可以按C风格和F风格
# flatten ---返回一个拷贝的内存
# ravel ----返回原来的引用或者视图
arr=arr.flatten('F')
print(arr)
arr=arr.ravel('C')#--按行展开
arr=arr.ravel('F')#--按列展开
print(arr)
04-数组的合并与拆分
方向的理解
行：行增大的方向 --垂直方向
列：列增大的方向--水平方向
#创建两个二维数组
arr1=np.array([[9,0],[8,9]])
arr2=np.arange(4),reshape((2,2))
print('arr1:\n',arr1)
#[[9 0]
#[8 9]]
print('arr2:\n',arr2)
#[[0 1]
#[2 3]]
#将arr2 拼接到arr1下边 vstack--垂直的
res=np.vstack(arr1,arr2)
print(res)
#将arr2拼接到arr1右边 hstack--水平的
res=np.hstack(arr1,arr2)
# axis-->指定拼接的轴 axis=0-->行的方向 axis=1-->列的方向
res=np.concatenate((arr1,arr2),axis=0)
res=np.concatenate((arr1,arr2),axis=1)
print(res)
#创建一个数组
arr=np.arange(1,17).reshape(4,4)
print(arr)
#拆分的时候，必须能整除,必须平均拆分
#拆分
#水平拆分--把 横着的列 打断
res=np.hsplit(arr,2)
print('res:\n',res)
#垂直拆分--把竖着的行 打断
res=np.vsplit(arr,2)
print('res:\n',res)
# 在行的方向拆分
res=np.split(arr,2，axis=0)
# 在列的方向拆分
res=np.split(arr,2，axis=1)
# 拆分为 三部分[:1],[1:3],[3:]
np.split(arr,[1,3],axis=0)
#将数组拆分 第一列一部分，其他的列为1部分
res1=arr[:,:1]
res2=arr[:,:1:]
print('res1:\n',res1)
print('res2:\n',res2)
05矩阵的创建
#创建矩阵--矩阵是二维，也只能是二维的
#mat 可以将特殊字符串、列表嵌套、二维数组转化为矩阵
m1=np.mat('1 2 3; 4 5 6;7 8 9')
m1=np.mat([[1,2],[3,4]])
m1=np.max(np.array([[1,2],[3,4]]))
print('m1:\n',m1)
print('m1的类型:\n',type(m1)) #class numpy.matrixlib.defmatrix.matrix
print('m1的维度:\n',m1.ndim)
print(m1[0,:])#矩阵里面使用下标不降低维度
#使用matrix创建矩阵
m1=np.matrix('1 2 3; 4 5 6;7 8 9')
m1=np.matrix([[1,2],[3,4]])
m1=np.matrix(np.array([[1,2],[3,4]]))
print('m1:\n',m1)
print('m1的类型:\n',type(m1)) #class numpy.matrixlib.defmatrix.matrix
print('m1的维度:\n',m1.ndim)
max与matrix的区别
#mat与asmatrix一样，与matrix 相比少了一个拷贝的过程 --推荐
#使用bmat来合成矩阵
#bmat 可以直接将二维数组转化为矩阵
np.bmat(np.array([[1,2],[3,4]]))
print('m1:\n',m1)
print('m1的类型:\n',type(m1))
#创建两个矩阵
m1=np.mat(np.array([[1,2],[2,1]]))
m2=np.mat(np.arange(4),reshape((2,2)))
print('m1:\n',m1)
print('m2:\n',m2)
#使用矩阵来组合矩阵
#也可以使用数组来组合矩阵
m=np.bmat('m1 m2;m2 m1')
m=np.bmat([[m1,m2],[m2,m1]])
print('m:\n',m)
来源：CSDN
作者：return_min
链接：https://blog.csdn.net/return_min/article/details/103870135