1.Numpy库介绍：
Numpy是Numercial Python的简称,是一个开源的Python科学计算基础库。
- 提供一个强大的N维数组对象ndarray，并提供了基于数组的算术操作及广播功能函数；
- 整合C/C++/Fortran代码工具；
- 线性代数、傅里叶变换、随机数生成等功能。
Numpy是Scipy、Pandas等数据处理或科学计算库的基础。
Numpy的引用直接使用以下语句即可：
import numpy as np # 尽管别名可以省略或者修改，建议使用上述约定的别名2.多维数组对象ndarray的设置原因：
Python中可以利用列表表示数组，那Numpy为什么还要设置ndarray那？
例如，计算A²+B²，其中A和B是一维数组。
在python语法中，需要利用循环结构，计算数组中的每个数据。
def pysum():
a = [0,1,2,3,4]
b = [9,8,7,6,5]
c = []
for i in range(len(a)):
c.append(a[i]**2 + b[i]**3)
return c
print(pysum())而NUmpy则把一个一维数据作为单个数据，直接进行计算。
import numpy as np
def npsum():
a = np.array([0,1,2,3,4])
b = np.array([9,8,7,6,5])
c = a**2 + b**3
return c
print(npsum())从上面例子中可以看出，N维数组对象ndarray：
- 数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。
- 设置专门的数组对象，经过优化，可以提升这类应用的运算速度（numpy底层是由C语言编写，计算速度更快）。
- 数组对象采用相同的数据类型，有助于节省运算和存储空间（因为在科学计算中，一个维度所有数据的类型往往是相同的）。
3.多维数组对象ndarray：
ndarray是Python中一个快速、灵活的大型数据集容器，作为一个多维数组对象，由两部分构成：
- 实际的数据；
- 描述这些数据的元数据（数据维度、数据类型等）：
ndarray数组一般要求所有要素类型相同（同质），数组下标从0开始（但也有特殊情况）。
轴（axis）：保存数据的维度。
秩（rank）：轴的数量。
4.生成ndarray：
生成数组最简单的方法就是使用array函数，array函数接收任意的序列型对象（sequence-like object），生成一个Numpy数组。
# 当np.array()没有显式地指定dtype时，numpy将根据数据情况字段推断生成一个数据类型
x = np.array(list/tuple)
x = np.array(list/tuple,dtype=np.float32)数组生成函数列表：
| 函数 | 说明 |
|---|---|
| np.array() | —- |
| np.asarray() | 将输入转换为ndarray，但是如果输入已经是ndarray则不再复制 |
| np.arange(n) | 类似range()函数，返回ndarray类型，元素从0到n-1 |
| np.ones(shape) | 根据shape生成一个全1数组，shape是元祖类型 |
| np.ones_like(a) | 根据数组a的形状生成一个全1数组 |
| np.zeros(shape) | 根据shape生成一个全0数组，shape是元祖类型 |
| np.zeros_like(a) | 根据数组a的形状生成一个全0数组 |
| np.empty(shape) | 根据shape生成一个没有初始化数值的空数组，shape是元祖类型 |
| np.empty_like(a) | 根据数组a的形状生成一个没有初始化数值的空数组 |
| np.full(shape,val) | 根据shape生成一个数组，每个元素都是val |
| np.full_like(a,val) | 根据数组a的形状生成一个数组，每个元素值都是val |
| np.eye(n) | 创建一个正方的n×n单位矩阵，对角线为1，其余为0 |
| np.linspace(start, stop, num) | 根据起始值及间隔数量num等间距地填充数据，形成数组 |
TIPS:使用numpy.empty生成一个全部为0的数组是不安全的。该函数返回未初始化的内存，因此可能包含非零的 “垃圾 “值。只有当你打算用数据填充新的数组时，你才应该使用该函数。
arr = np.arange(10)
arr
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.ones_like(arr)
# array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
np.zeros((2,3))
# array([[0., 0., 0.],
# [0., 0., 0.]])
np.full((2,3) , 99)
# array([[99, 99, 99],
# [99, 99, 99]])
np.eye(5)
# array([[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.]])
np.linspace(0,10 , num=5)
# array([ 0. , 2.5, 5. , 7.5, 10. ])5.ndarray对象的属性：
通过下述函数可以查看数组的相应属性信息。
| 属性 | 说明 |
|---|---|
| .ndim | 秩，即轴的数量或维度的数量 |
| .shape | ndarray对象尺度，对于矩阵，n行m列 |
| .size | ndarray对象元素的个数，相当于.shape中n×m的值 |
| .dtype | ndarray对象的元素类型 |
| .astype | 转换ndarray对象的数据类型 |
| .itemsize | ndarray对象中每个元素的大小，以字节为单位 |
import numpy as np
a = np.array([[0,1,2,3,4],[9,8,7,6,5]])
a.ndim
# 2
a.shape
# (2, 5)
a.size
# 10
a.dtype
# dtype('int32')
a.itemsize
# 46.ndarray对象的数据类型：
从上面实例中看到a.dtype返回的类型是int32，这个类型在基础的python语法中并不存在，它是numpy定义的元素类型，除此之外，numpy还有很多其他元素类型：
| 数据类型 | 说明 |
|---|---|
| bool | 布尔类型，True或False |
| intc | 与C语言中的int类型一致，一般是int32或int64 |
| intp | 用于索引的整数，与C语言中ssize_t一致，int32或int64 |
| int8 | 字节长度的整数，取值：[-128,127] |
| int16 | 16位长度的整数，取值：[-32768,32767] |
| int32 | 32位长度的整数，取值：[-2^31,2^31-1] |
| int64 | 64位长度的整数，取值：[-2^63,2^63-1] |
还有一类元素类型，没有负数部分，称为无符号整数：
| 数据类型 | 说明 |
|---|---|
| uint8 | 8位无符号整数，取值：[0,255] |
| uint16 | 16位无符号整数，取值：[0,65535] |
| uint32 | 32位无符号整数，取值：[0,2^32-1] |
| uint64 | 64位无符号整数，取值：[0,2^64-1] |
| float16 | 16位半精度浮点数：1位符号位，5位指数，10位尾数 |
| float32 | 32位半精度浮点数：1位符号位，8位指数，23位尾数 |
| float64 | 64位半精度浮点数：1位符号位，11位指数，52位尾数 |
| float128 | 扩展精度的浮点数 |
ndarray还支持两种复数类型：
| 数据类型 | 说明 |
|---|---|
| complex64 | 复数类型，实部和虚部都是32位浮点数 |
| complex128 | 复数类型，实部和虚部都是64位浮点数 |
相比python语法仅支持整数、浮点数和复数3种类型，那ndarray为什么要支持这么多的元素类型那？
- 科学计算涉及数据较多，对存储和性能都有较高要求；
- 对元素类型精细定义，有助于Numpy合理使用存储空间并优化性能；
- 对元素类型精细定义，有助于程序员对程序规模有合理评估。
7.数据类型转换
可以使用ndarray的astype方法将一个数组从一种数据类型显式地转换为另一种。
TIPS:调用astype总是创建一个新的数组（数据的拷贝），即使新的数据类型与旧的数据类型相同。
arr = np.array([[0,1,2,3,4],[9,8,7,6,5]])
arr.dtype
# dtype('int32')
float_arr = arr.astype(np.float64)
float_arr.dtype
# dtype('float64')需要注意是，如果将浮点数转换为整数的话，那么原有数据小数点后的部分将会被消除。
arr = np.array([1.23 , -2.34 , 3.45 , -4.56 , 5.67])
arr
# array([ 1.23, -2.34, 3.45, -4.56, 5.67])
int_arr = arr.astype(np.int64)
int_arr
# array([ 1, -2, 3, -4, 5], dtype=int64)也可以使用astype将一个代表数字的字符串数组转换为数字形式。
num_str_arr = np.array(['1.23' , '-2.34' , '3.45' , '-4.56' , '5.67'] , dtype=np.string_)
num_str_arr
# array([b'1.23', b'-2.34', b'3.45', b'-4.56', b'5.67'], dtype='|S5')
num_arr = num_str_arr.astype(np.float64)
num_arr
# array([ 1.23, -2.34, 3.45, -4.56, 5.67])
num_arr.dtype
# dtype('float64')TIPS:在使用numpy.string_类型时要谨慎，因为NumPy中的字符串数据是固定大小的，可能会在没有警告的情况下截断输入。 pandas对非数字数据有更直观的开箱即用操作。
