官方文档：
NumPy是高性能科学计算和数据分析的基础包。部分功能如下：
- ndarray, 具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。
- 用于对整组数据进行快速运算的标准数学函数（无需编写循环）。
- 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。
- 线性代数、随机数生成以及傅里叶变换功能。
- 用于集成C、C++、Fortran等语言编写的代码的工具。
Numpy函数库中存在两种不同的数据类型，矩阵matrix以及数组array，都可以用于处理行列表示的数字元素。但是在这两个数据类型上执行相同的数学运算可能得到不同的结果，一般来说如果说需要矩阵之间的一些运算，如求逆，矩阵相乘，转置等，可以先转换为mat矩阵在进行。
numpy中array属性、创建、运算：
import numpy as np
#create array
arr = np.array([[1,3],[4,5]]) #2x2
arr1 = np.array([1,2.4,3,6],dtype=np.int) #dtype = float,int 1x4
arr2 = np.zeros((3,4)) #0 3x4
arr3 = np.ones((3,4),dtype=np.float) #1. 3x4
arr4 = np.empty((3,4)) #empty close to zero 3x4 np.eye() 对角线为1
arr5 = np.arange(1,20,5) #1x4 --from 1 to 20 each 5 pad
arr6 = arr5.reshape((2,2)) #2x2 change the shape
arr7 = np.linspace(1,10,20) #create line segment
print arr.shape #(3L,3L) col & row
print arr.size #9 total number
print arr.ndim #2 dimention
print "--------------------------------------Cutting line---------------------------------"
arr8 = np.sin(arr1-arr5) #np.sqrt();np.log(); np.exp();
arr9_1 = np.dot(arr,arr6) #multi matrix == arr.dot(arr6)
arr9_2 = arr*arr6 #multi element
print arr9_1
print arr9_2
print "--------------------------------------Cutting line---------------------------------"
arr10 = np.random.random((3,4)) #random number
arr10 = np.sort(arr10) #low to high
arr10 = np.transpose(arr10) #transposition ===arr10.T
arr11 = np.clip(arr10,0.1,2)#use 0.1 instead number <0.1,and 2 instead of number>2
sum = np.sum(arr10,axis=0) #Sum the Column number
min = np.min(arr10,axis=1) #min the Row number
max = np.max(arr10) #max
print sum,min,max
print "--------------------------------------Cutting line---------------------------------"
index_min = np.argmin(arr10) #the index of the min number
index_max = np.argmax(arr10)
print index_max,index_min
print "--------------------------------------Cutting line---------------------------------"
#the operation
mean = np.mean(arr10)
# arr10.mean()
ave = np.average(arr10)
median = np.median(arr10)
print "mean:",mean,"\naverage:",ave,"\nmedian:",median
print "--------------------------------------Cutting line---------------------------------"
cumsum = np.cumsum(arr10) #accumulation
diff = np.diff(arr10) #leicha 3x3
print cumsum
print diff
print "--------------------------------------Cutting line---------------------------------"
nonzero = np.nonzero(arr3) #nonzero array use arr3's col and row title
print nonzero
print "--------------------------------------Cutting line---------------------------------"
#index num [start from 0]
print arr10[2] #the 3rd row
print arr10[2][2] ,arr10[2,2] #the element in[2][2]
print arr10[1,1:3] #row,column
print "--------------------------------------Cutting line---------------------------------"
for row in arr10:
print row #column
print "--------------------------------------Cutting line---------------------------------"
for column in arr10.T:
print column #row
print "--------------------------------------Cutting line---------------------------------"
print arr10.flatten() #unfold to 1 row
print "--------------------------------------Cutting line---------------------------------"
for item in arr10.flat: #flat is a a iterator
print item
print "--------------------------------------Cutting line---------------------------------"还有诸如：
>>> np.diag(a) #以一维数组的形式返回方阵对角线元素
>>> np.trace(a) #计算对角线之和
>>> eigVals,eigVects=np.linalg.eig(np.mat(array)) #Eig：计算方阵的特征值以及特征向量（在进行求解PCA主成分分析的时候，有很大作用）
Svd：计算奇异值分解（SVD）
随机数产生函数：
a. randint: 原型：numpy.random.randint(low, high=None, size=None, dtype='l')，产生随机整数；
b. random_integers: 原型： numpy.random.random_integers(low, high=None, size=None)，在闭区间上产生随机整数；
c. random_sample: 原型： numpy.random.random_sample(size=None)，在[0.0,1.0)上随机采样；
d. random: 原型： numpy.random.random(size=None)，和random_sample一样，是random_sample的别名；
e. rand: 原型： numpy.random.rand(d0, d1, ..., dn)，产生d0 - d1 - ... - dn形状的在[0,1)上均匀分布的float型数。
f. randn: 原型：numpy.random.randn（d0,d1,...,dn),产生d0 - d1 - ... - dn形状的标准正态分布的float型数。
g.uniform:原型：numpy.random.uniform(low,high,size)，从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开
h.normal:原型：numpy.random.normal(size=(3,4)) normal产生正态（高斯）分布样本；
Numpy 中array的合并、分割、copy：
import numpy as np
print "-------------------------------------cutting line---------------------------------"
A = np.array([1,2,3])[:,np.newaxis]
B = np.array([2,3,4])[:,np.newaxis]
C = np.vstack((A,B)) #Vertical stack
D = np.hstack((A,B)) #Horizon stack
print "A :\n",A
print "B:\n",B
print "C:\n",C
print "C.shape:",C.shape
print "D:\n",D
print "D.shape:",D.shape #6L
print D[np.newaxis,:].shape #add 1 dimention 1Lx6L
print D[:,np.newaxis].shape #add 1 dimention 6Lx1L
E = np.concatenate((A,B,B,A),axis = 0) #concatenate Column
print "E:\n",E
F = np.concatenate((A,B,B,A),axis=1) #row: must add newaxis
print "F:\n",F
print "-------------------------------------cutting line---------------------------------"
arr1 = np.arange(12).reshape((3,4))
print arr1
#split must be an equal division column=2x2,1x4,4x1;row = 1x3,3x1
print np.split(arr1,2,axis=1) #split to 4 part,axis is row
print np.split(arr1,3,axis=0) #split to 4 part,axis is column
#split in unequal division
print np.array_split(arr1,3,axis=1)
print np.vsplit(arr1,3) #np.split(arr1,3,axis = 0)
print np.hsplit(arr1,4) #np.split(arr1,4,axis = 1)
print "-------------------------------------cutting line---------------------------------"
#copy &deep copy
arr2 =np.arange(5,dtype=np.float)
arr3 =arr2
arr4 = arr2.copy()
print arr2,arr3,arr4
arr2[2]=4.5
#"="change at the same time 有关联性
#"copy()" wont change
print arr2,arr3,arr4
Mat：
import numpy as np
print "-------------------------------------cutting line---------------------------------"
A = np.array([1,2,3])
B = np.array([[3],[5],[6]])
matrix_A = np.mat(A)
matrix_B = np.mat(B)
print "array:",A,"\nmatrix",matrix_A
C = A*B
matrix_C = matrix_A*matrix_B #转换为mat之后，两个矩阵可以直接运算
print "C:\n",C,"\nmatrix_C:\n",matrix_C常规函数用法基本一样；
NumPy常用函数：
NumPy函数和属性：
类型 | 类型代码 | 说明 |
int8、uint8 | i1、u1 | 有符号和无符号8位整型（1字节） |
int16、uint16 | i2、u2 | 有符号和无符号16位整型（2字节） |
int32、uint32 | i4、u4 | 有符号和无符号32位整型（4字节） |
int64、uint64 | i8、u8 | 有符号和无符号64位整型（8字节） |
float16 | f2 | 半精度浮点数 |
float32 | f4、f | 单精度浮点数 |
float64 | f8、d | 双精度浮点数 |
float128 | f16、g | 扩展精度浮点数 |
complex64 | c8 | 分别用两个32位表示的复数 |
complex128 | c16 | 分别用两个64位表示的复数 |
complex256 | c32 | 分别用两个128位表示的复数 |
bool | ? | 布尔型 |
object | O | python对象 |
string | Sn | 固定长度字符串，每个字符1字节，如S10 |
unicode | Un | 固定长度Unicode，字节数由系统决定，如U10 |
NumPy类型
生成函数 | 作用 |
np.array( x) np.array( x, dtype) | 将输入数据转化为一个ndarray 将输入数据转化为一个类型为type的ndarray |
np.asarray( array ) | 将输入数据转化为一个新的（copy）ndarray |
np.ones( N ) np.ones( N, dtype) np.ones_like( ndarray ) | 生成一个N长度的一维全一ndarray 生成一个N长度类型是dtype的一维全一ndarray 生成一个形状与参数相同的全一ndarray |
np.zeros( N) np.zeros( N, dtype) np.zeros_like(ndarray) | 生成一个N长度的一维全零ndarray 生成一个N长度类型位dtype的一维全零ndarray 类似np.ones_like( ndarray ) |
np.empty( N ) np.empty( N, dtype) np.empty(ndarray) | 生成一个N长度的未初始化一维ndarray 生成一个N长度类型是dtype的未初始化一维ndarray 类似np.ones_like( ndarray ) |
np.eye( N ) np.identity( N ) | 创建一个N * N的单位矩阵（对角线为1，其余为0） |
np.arange( num) np.arange( begin, end) np.arange( begin, end, step) | 生成一个从0到num-1步数为1的一维ndarray 生成一个从begin到end-1步数为1的一维ndarray 生成一个从begin到end-step的步数为step的一维ndarray |
np.mershgrid(ndarray, ndarray,...) | 生成一个ndarray * ndarray * ...的多维ndarray |
np.where(cond, ndarray1, ndarray2) | 根据条件cond，选取ndarray1或者ndarray2，返回一个新的ndarray |
np.in1d(ndarray, [x,y,...]) | 检查ndarray中的元素是否等于[x,y,...]中的一个，返回bool数组 |
| |
矩阵函数 | 说明 |
np.diag( ndarray) np.diag( [x,y,...]) | 以一维数组的形式返回方阵的对角线（或非对角线）元素 将一维数组转化为方阵（非对角线元素为0） |
np.dot(ndarray, ndarray) | 矩阵乘法 |
np.trace( ndarray) | 计算对角线元素的和 |
| |
排序函数 | 说明 |
np.sort( ndarray) | 排序，返回副本 |
np.unique(ndarray) | 返回ndarray中的元素，排除重复元素之后，并进行排序 |
np.intersect1d( ndarray1, ndarray2) np.union1d( ndarray1, ndarray2) np.setdiff1d( ndarray1, ndarray2) np.setxor1d( ndarray1, ndarray2) | 返回二者的交集并排序。 返回二者的并集并排序。 返回二者的差。 返回二者的对称差 |
| |
一元计算函数 | 说明 |
np.abs(ndarray) np.fabs(ndarray) | 计算绝对值 计算绝对值（非复数） |
np.mean(ndarray) | 求平均值 |
np.sqrt(ndarray) | 计算x^0.5 |
np.square(ndarray) | 计算x^2 |
np.exp(ndarray) | 计算e^x |
log、log10、log2、log1p | 计算自然对数、底为10的log、底为2的log、底为(1+x)的log |
np.sign(ndarray) | 计算正负号：1（正）、0（0）、-1（负） |
np.ceil(ndarray) np.floor(ndarray) np.rint(ndarray) | 计算大于等于改值的最小整数 计算小于等于该值的最大整数 四舍五入到最近的整数，保留dtype |
np.modf(ndarray) | 将数组的小数和整数部分以两个独立的数组方式返回 |
np.isnan(ndarray) | 返回一个判断是否是NaN的bool型数组 |
np.isfinite(ndarray) np.isinf(ndarray) | 返回一个判断是否是有穷（非inf，非NaN）的bool型数组 返回一个判断是否是无穷的bool型数组 |
cos、cosh、sin、sinh、tan、tanh | 普通型和双曲型三角函数 |
arccos、arccosh、arcsin、arcsinh、arctan、arctanh | 反三角函数和双曲型反三角函数 |
np.logical_not(ndarray) | 计算各元素not x的真值，相当于-ndarray |
多元计算函数 | 说明 |
np.add(ndarray, ndarray) np.subtract(ndarray, ndarray) np.multiply(ndarray, ndarray) np.divide(ndarray, ndarray) np.floor_divide(ndarray, ndarray) np.power(ndarray, ndarray) np.mod(ndarray, ndarray) | 相加 相减 乘法 除法 圆整除法（丢弃余数） 次方 求模 |
np.maximum(ndarray, ndarray) np.fmax(ndarray, ndarray) np.minimun(ndarray, ndarray) np.fmin(ndarray, ndarray) | 求最大值 求最大值（忽略NaN） 求最小值 求最小值（忽略NaN） |
np.copysign(ndarray, ndarray) | 将参数2中的符号赋予参数1 |
np.greater(ndarray, ndarray) np.greater_equal(ndarray, ndarray) np.less(ndarray, ndarray) np.less_equal(ndarray, ndarray) np.equal(ndarray, ndarray) np.not_equal(ndarray, ndarray) | > >= < <= == != |
logical_and(ndarray, ndarray) logical_or(ndarray, ndarray) logical_xor(ndarray, ndarray) | & | ^ |
np.dot( ndarray, ndarray) | 计算两个ndarray的矩阵内积 |
np.ix_([x,y,m,n],...) | 生成一个索引器，用于Fancy indexing(花式索引) |
| |
文件读写 | 说明 |
np.save(string, ndarray) | 将ndarray保存到文件名为 [string].npy 的文件中（无压缩） |
np.savez(string, ndarray1, ndarray2, ...) | 将所有的ndarray压缩保存到文件名为[string].npy的文件中 |
np.savetxt(sring, ndarray, fmt, newline='\n') | 将ndarray写入文件，格式为fmt |
np.load(string) | 读取文件名string的文件内容并转化为ndarray对象（或字典对象） |
np.loadtxt(string, delimiter) | 读取文件名string的文件内容，以delimiter为分隔符转化为ndarray |
NumPy . ndarray函数和属性：
ndarray.ndim | 获取ndarray的维数 |
ndarray.shape | 获取ndarray各个维度的长度 |
ndarray.dtype | 获取ndarray中元素的数据类型 |
ndarray.T | 简单转置矩阵ndarray |
函数 | 说明 |
ndarray.astype(dtype) | 转换类型，若转换失败则会出现TypeError |
ndarray.copy() | 复制一份ndarray(新的内存空间) |
ndarray.reshape((N,M,...)) | 将ndarray转化为N*M*...的多维ndarray（非copy） |
ndarray.transpose((xIndex,yIndex,...)) | 根据维索引xIndex,yIndex...进行矩阵转置，依赖于shape，不能用于一维矩阵（非copy） |
ndarray.swapaxes(xIndex,yIndex) | 交换维度（非copy） |
| |
计算函数 | 说明 |
ndarray.mean( axis=0 ) | 求平均值 |
ndarray.sum( axis= 0) | 求和 |
ndarray.cumsum( axis=0) ndarray.cumprod( axis=0) | 累加 累乘 |
ndarray.std() ndarray.var() | 方差 标准差 |
ndarray.max() ndarray.min() | 最大值 最小值 |
ndarray.argmax() ndarray.argmin() | 最大值索引 最小值索引 |
ndarray.any() ndarray.all() | 是否至少有一个True 是否全部为True |
ndarray.dot( ndarray) | 计算矩阵内积 |
排序函数 | 说明 |
ndarray.sort(axis=0) | 排序，返回源数据 |
ndarray索引/切片方式
ndarray[n] | 选取第n+1个元素 |
ndarray[n:m] | 选取第n+1到第m个元素 |
ndarray[:] | 选取全部元素 |
ndarray[n:] | 选取第n+1到最后一个元素 |
ndarray[:n] | 选取第0到第n个元素 |
ndarray[ bool_ndarray ] 注：bool_ndarray表示bool类型的ndarray | 选取为true的元素 |
ndarray[[x,y,m,n]]... | 选取顺序和序列为x、y、m、n的ndarray |
ndarray[n,m] | 选取第n+1行第m+1个元素 |
ndarray[n][m].... | 选取n行n列....的元素 |
NumPy . random函数和属性：
函数 | 说明 |
seed() seed(int) seed(ndarray) | 确定随机数生成种子 |
permutation(int) permutation(ndarray) | 返回一个一维从0~9的序列的随机排列 返回一个序列的随机排列 |
shuffle(ndarray) | 对一个序列就地随机排列 |
rand(int) randint(begin,end,num=1) | 产生int个均匀分布的样本值 从给定的begin和end随机选取num个整数 |
randn(N, M, ...) | 生成一个N*M*...的正态分布（平均值为0，标准差为1）的ndarray |
normal(size=(N,M,...)) | 生成一个N*M*...的正态（高斯）分布的ndarray |
beta(ndarray1,ndarray2) | 产生beta分布的样本值，参数必须大于0 |
chisquare() | 产生卡方分布的样本值 |
gamma() | 产生gamma分布的样本值 |
uniform() | 产生在[0,1)中均匀分布的样本值 |
NumPy . linalg函数和属性：
函数 | 说明 |
det(ndarray) | 计算矩阵列式 |
eig(ndarray) | 计算方阵的本征值和本征向量 |
inv(ndarray) pinv(ndarray) | 计算方阵的逆 计算方阵的Moore-Penrose伪逆 |
qr(ndarray) | 计算qr分解 |
svd(ndarray) | 计算奇异值分解svd |
solve(ndarray) | 解线性方程组Ax = b，其中A为方阵 |
lstsq(ndarray) | 计算Ax=b的最小二乘解 |
