Numpy的特点:

• 基于ndarray
• 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）

ndarray

• N dimensions array， N维数组对象

• ndarray是一个同构数据多维容器，也就是其中的所有元素都必须是相同类型的。每个数组都有一个shape（一个表示各维度大小的元组）和一个dtype（一个用于说明数组数据类型的对象）

  
  

• 可以通过astype把数组从一个dtype转换成另一个dtype

  
  
• 数组 = Numpy数组 = ndarray

创建ndarray

• 最简单的方法就是使用array函数，它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的Numpy数组。

  
  
• 嵌套序列（比如一组登场列表组成的列表）将会被转换成一个多为数组
• 除非也别说明，np.array会尝试为新建的这个数组推断出一个较为合适的数据类型。数据类型保存在一个特殊的dtype对象中。
• 其他创建数组的方式：
  ①np.zeros()
  创建时需要传入一个表示形状的元组
  ②np.arange()：相当于range()，不过返回的是数组而不是列表

Numpy数组的运算

• 特点：不用编写循环就可以对数组执行批量计算，即矢量化（vectorization）。大小相等的数组之间的任何运算都会将运算应用到元素级。
• 数组与标量的运算会将标量值传播到各个元素
• 大小相同的数组之间的比较会布尔值数组

Numpy数组的索引和切片

• 一维数组和list差不多，不同之处在于：数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接放映到源数组上。

  
  
• 如果你想要得到的是ndarray切片的一份副本而不是视图，需要明确进行复制操作，如arr[6:9].copy()

• 多维数组的索引

  
  

• 多维数组的切片

  
  
  

• 布尔型索引

  
  
  

  布尔型索引的长度必须跟被索引轴长度一致

~操作符用来反转条件很好用

也可以使用布尔条件的组合

注意：python关键词and or在布尔型数组中无效，需要用& 与 |

设值

• 花式索引（Fancy indexing）

  
  注意：花式索引和切片不一样，它总是将数据复制到新的数组中

数组转置和轴对换

转置是重塑的一种特殊形式，它返回的是源数据的视图（不会进行任何复制操作）。数组不仅有Transpose的方法，还有一个特殊的T属性。

通用函数

即（ufunc）是一种对ndarray中的数据执行元素级运算的函数。你可以将其看做简单函数（接受一个或多个标量值，并产生一个或多个标量值）的矢量化包装器

1661572471(1).png

可以接受2个数组的称为二元ufunc，结果返回一个数组

将条件逻辑表述为数组运算

np.where函数是三元表达式x if condition else y的矢量化版本

np.where的第二个和第三个参数不必是数组，它们都可以是标量。在数据分析工作中，where常用于根据另一个数组而产生一个新的数组

Numpy的数学统计方法

arr.mean(1)是计算行的平均值；arr.mean(0)是计算列的平均值

在上面这些方法中，布尔值会被强制转换为1（True）和0（False）。因此，sum经常被用来对布尔型数组中的TRUE值进行计数

另外还有两个方法any和all，它们对布尔型数组非常有用。any用于测试数组中是否存在一个或多个True，而all则检查数组中所有值是否都是True。

唯一化：np.unique()

一些集合运算：

伪随机数的生成