Python开源的科学计算基础库
1.表示N维数组对象ndarray
2.线性代数、傅里叶变换、随机数生成
3.广播函数，整合c++、c
一.数据的维度
1.数据
2.数据维度
3.一维数据
（1）特点
（2）Python中的表达方式
列表、集合类型
（3）列表和数组的区别
数据类型要求不一样
4.二维数据
（1）概念，多个一位数据组成，一个以为数据的组合。
（2）列表
5.多维数据
（1）
（2）列表
6.高维数据
（1）仅利用最基本的二元关系展示数据间的复杂关系
（2）字典类型或者数据表示格式
二.numpy库中的N维数组对象ndarray
1.使用numpy数组原因：
（1）节省空间
（2）numpy的底层实现靠c语言实现的，提高运行速度。
代码示例：
2.N维数组对象-ndarray
（1）组成
实际的数据
描述这些数据的元数据（数据维度、数据类型等）
轴、秩
| 方法 | 功能 |
| .ndim | 轴 |
| .shape | 秩 |
| .size |
元素个数 |
| .dtype | 数据类型 |
| .itemsize | 元素所占的字节 |
import numpy as np
a=np.array([[0,1,2,3,4],[9,8,7,6,5]])# -*- coding: utf-8 -*-
print(a.ndim)
print(a.shape)
print(a.size)
print(a.dtype)
print(a.itemsize)
输出：
2
(2, 5)
10
int32
4
（2）要求所有的元素类型相同，数组下标从0开始。
（3）实例
（4）支持那么多数据类型原因
（5）不同质数据类型
（）
3.ndarray数组的创建方法
（1）从Python的列表、元组等等类型创建ndarray数组
x=np.array(list/tuple),detype=数据类型)
不指定元素类型，根据读入的数据类型确定，根据最高级确定数据类型。
（2）使用numpy中函数创建ndarray数组，如arange，ones，Zeros等
最常用的方法
| 函数 | 作用 | 具体应用 |
| np.arange(n) | 类似range()函数，返回ndarray类型，元素从0到-1 | |
| np.ones(shape) | 根据shape生成一个全1数组，shape是元组类型 | np.ones(2,3) |
| np.zeros(shape) | 根据shape生成一个全0数组，shape是元组类型 | |
| np.full(shape,val) | 根据shape生成一个数组，每个元素值都是val | |
| np.eye(n) | 创建一个证放的n*n单位矩阵，对角线为1，其余为0 |
代码示例：
import numpy as np
#arange生成的为整数类型
print(np.arange(10))
#其他的都为浮点数类型
print(np.ones((3,6)))
print(np.zeros((3,6)))
print(np.eye(5))
输出：
[0 1 2 3 4 5 6 7 8 9]
[[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]]
[[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]]
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]]
生成多维数组
代码示例：
import numpy as np
x=np.ones((2,3,4))
print(x)
print(x.shape)#最外层到最内层元素变化的方式。
输出：
[[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]]
(2, 3, 4)
（3）从字节流（raw bytes）中创建ndarray数组
（4）从文件读取特定格式，创建ndarray数组
（5）数据类型多为浮点数，符合现实计算的思维。
（6）ndarray数组的变换
astype：创建一个新的数组
（7）数组转换为Python中列表
3.ndarray数组的操作
（1）数组的索引和切片
索引：获取数组中特定元素位置的过程（找到元素在数组中的位置）。
切片：获取数组元素子集的过程（获得数组元素一部分）。
示例
一维数组索引：和Python列表中一样。
一维数组的切片：和Python列表切片一样。
多维数组的索引和切片首先要分辨出对象为几维的数组。
多维数组索引：a[1,2,3]表示的是：第一个维度的第二个轴的元素，第二个维度的第三个轴的元素，第三个维度的最后一个轴的第四个位置的元素。（由外而内的去寻找索引位置）
多维数组的切片：a[：，1：3，：]，从外而内的寻找切片内容。
代码示例：
import numpy as np
a=np.array([[[1,2,3,4],[5,6,7,8],[9,10,11,12]],[[13,14,15,16],[17,18,19,20],[21,22,23,24]]])
print(a[1,2,3])
print(a[:,1:3,:])
print(a[:,:,::2])
输出：
24
[[[ 5 6 7 8]
[ 9 10 11 12]]
[[17 18 19 20]
[21 22 23 24]]]
[[[ 1 3]
[ 5 7]
[ 9 11]]
[[13 15]
[17 19]
[21 23]]]
可以对创建后的ndarray的维度和元素类型进行变换。
4.ndarray的运算
（1）数组与标量之间的运算
数组与标量之间的运算作用与数组的每一个元素。
代码示例：
（2）numpy中的一元函数，对数组的运算就是对数组中每一个元素的运算。
| 函数 | 作用 |
| np.abs(x) np.fabs(x) | 计算数组各元素的绝对值 |
| np.sqrt(x) | 计算数组各元素的平方根 |
| np.square(x) | 计算数组各元素的平方 |
| np.log(x) 、np.log10(x)、nplog2(x) | 计算数组各元素的自然对数、10底数和2底对数 |
| np.ceil(x)、np.floor(x) | 计算数组各元素的ceiling值或floor值 |
代码示例：
import numpy as np
a=np.arange(24).reshape((2,3,4))
np.square(a)
print(a)
a=np.sqrt(a)
print(a)
a=np.modf(a)
print(a)
输出：
特点：进行一元函数操作后会生成一个新的数组，原来的数组没有被改变，想要改变原来的数组需要把改变后的值赋给旧的数组。
（3）numpy的二元函数，对两个数组运算的函数（其实是对两数组中的每个元素的运算）。
代码示例：
import numpy as np
a=np.arange(24).reshape((2,3,4))
b=np.square(a)
c=np.maximum(a,b)
print(c)
print(a>b)
输出：
[[[ 0 1 4 9]
[ 16 25 36 49]
[ 64 81 100 121]]
[[144 169 196 225]
[256 289 324 361]
[400 441 484 529]]]
[[[False False False False]
[False False False False]
[False False False False]]
[[False False False False]
[False False False False]
[False False False False]]]
附件参考资料链接：http://www.cnblogs.com/WSX1994/articles/9061516.html
来源：oschina
链接：https://my.oschina.net/u/3754854/blog/1860617