python numpy 基本操作
numpy array称之为ndarray,numpy的ndarray与python的array不同。python array.array是一个一维数组，np.array是一个多维数组，每一维称之为轴（axes）
1、np.array构造函数
(1)、利用np.array函数创建np.array
numpy.array(object, dtype=None, copy=True, order=’K’, subok=False, ndmin=0)
import numpy as np
a = np.array([2,3,4])
print(a)
print(type(a))
print(a.dtype)
print(a.shape)
print('a[0]is ',a[0])
#print('a[0][1]is',a[0][1]) is wrong[2 3 4]
<class 'numpy.ndarray'>
int32
(3,)
a[0]is 2注意 ： 不能省略方括号而直接插入序列 如 np.array(2,3,4)
#构建二维数组
b = np.array([[1,2,3],[4,5,6]],dtype = np.int16)
print(b)
print('b shape is',b.shape)
print('b[0] is',b[0])
print('b[0]type is',type(b[0]))
print('b[0] dtype is',b[0].dtype)[[1 2 3]
[4 5 6]]
b shape is (2, 3)
b[0] is [1 2 3]
b[0]type is <class 'numpy.ndarray'>
b[0] dtype is int16注意 此处是插入的 [ [] , [] ]
#用range产生list
c= np.array( range(0,100) )
print(c)
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99]
(2)、利用占位符构造数组
zeros 函数构造初始值为0的数组
“`python
zero = np.zeros( (3,4)) #由于是占位符，只表示空间，所以zeros里面用小括号括起来
zero2 = np.zeros(3) #np.zeros构造的是数组，所以可以用该函数构造一维数组
print(zero)
print(zero2)
```
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
[ 0. 0. 0.]ones函数构造初始值为1的数组
one = np.ones( (2,4),dtype = int)
print(one)[[1 1 1 1]
[1 1 1 1]]empty函数构造初始值随机的数组，默认类型为float64
empty = np.empty((2,5))
print(empty)[[ 2.12199579e-314 0.00000000e+000 2.12199579e-314 1.42418987e-306
1.50200295e-307]
[ 4.67296746e-307 1.69121096e-306 1.29062568e-306 1.42419938e-306
7.56603881e-307]]（3）、通过随机数函数random生成给定大小的数组
此处有很多np.random库中的函数，由于np.random是numpy中的random库，所以大部分函数都是操作ndarray格式的，不详细列举
rand = 10*np.random.random((2,4))
print(rand)
randint = np.floor(rand)
print(randint)
randi = np.random.randint(3,high = 6,size=10) #最小值为3，最大值不大于6，size为10的随机均为分布
print(randi)
randi2 = np.random.randint(5,size=(2,4)) #当不提供high属性时，给定的参数为最大值不大于5.
print(randi2)[[ 9.69936167 4.35667075 6.81937385 8.76402435]
[ 2.95693062 1.50591608 5.02003945 5.43058465]]
[[ 9. 4. 6. 8.]
[ 2. 1. 5. 5.]]
[5 3 5 3 5 5 5 3 3 3]
[[1 3 2 3]
[3 1 0 4]](4)、利用arange函数创建等差数组直接产生array
arange1 = np.arange(6) # 按序生成0-6的数组
print(arange1)
arange = np.arange(10,30,5)
print(arange)
print(arange.dtype)
print(arange.size)
[0 1 2 3 4 5]
[10 15 20 25]
int32
4
2、np.array形状操作
(1)、numpy.reshape函数
numpy.reshape(a, newshape, order=’C’)
a ：需要reshape的数组
newshape：需要转变成的格式，如(2,3),即2行3列。若是（2，-1），则表示输出两行，列数根据数组元素个数和给定的行数计算出来
order:输出的风格，如C风格
“`python
reshape = np.arange(6).reshape((3,2)) #reshape的行列必须保证与原数组大小相同
print(reshape)
reshape2 = np.reshape(reshape,(2,3))
print(reshape2)
reshape3 = np.reshape(reshape2,(3,-1))
print(reshape3)
```
[[0 1]
[2 3]
[4 5]]
[[0 1 2]
[3 4 5]]
[[0 1]
[2 3]
[4 5]]注意： reshape之后，要注意reshape后与原数组共享内存,无论是否连续切片
```
a is v ? False
v is [ 0 1 199 3 4 5 6 7 8 9 10 11]
a is [[ 0 1 199]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
v is [ 0 1 199 3 4 5 6 7 8 9 10 11]s = v[1:5] #对数组进行切片，s与a共享数据，一个改变，另一个也会变
s[2] = 9999
print('v is ',v)v is [ 0 1 199 9999 4 5 6 7 8 9 10 11](3)、深拷贝
copy函数生成一个全新对象
co = np.arange(12)
co1 = co.copy()
co1[2] = 999 #深拷贝的co1数据改变不会影响原对象co
co1.shape = (3,4) #深拷贝的co1 形状改变不会影响原对象co
print('co is',co)
print('co1 is',co1)
co is [ 0 1 2 3 4 5 6 7 8 9 10 11]
co1 is [[ 0 1 999 3]
[ 4 5 6 7]
[ 8 9 10 11]]
