一、介绍

  NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础。

1.主要功能

1）ndarray，一个多维数组结构，高效且节省空间

2）无需循环对整组数据进行快速运算的数学函数

3）读写磁盘数据的工具以及用于操作内存映射文件的工具

4）线性代数、随机数生成和傅里叶变换功能

5）用于集成C、C++等代码的工具

2.安装方法

pip install numpy

3.引用方法

import numpy as np　　

二、ndarray-多维数组对象　

创建ndarray：np.array()ndarray是多维数组结构，与列表的区别是：数组对象内的元素类型必须相同数组大小不可修改常用属性：T		数组的转置（对高维数组而言）dtype	数组元素的数据类型size	数组元素的个数ndim	数组的维数shape	数组的维度大小（以元组形式）　

三、ndarray-数据类型

ndarray数据类型：dtype：布尔型：bool_整型：int_ int8 int16 int32 int64无符号整型：uint8 uint16 uint32 uint64浮点型：float_ float16 float32 float64复数型：complex_ complex64 complex128

四、ndarray-创建

array()        将列表转换为数组，可选择显式指定dtypearange()        range的numpy版，支持浮点数linspace()    类似arange()，第三个参数为数组长度zeros()        根据指定形状和dtype创建全0数组ones()        根据指定形状和dtype创建全1数组empty()        根据指定形状和dtype创建空数组（随机值）eye()        根据指定边长和dtype创建单位矩阵

五、索引和切片

数组和标量之间的运算a+1    a*3    1//a    a**0.5同样大小数组之间的运算a+b    a/b    a**b数组的索引：一维数组：a[5]多维数组：列表式写法：a[2][3]新式写法：a[2,3] (推荐)数组的切片：一维数组：a[5:8]    a[4:]        a[2:10] = 1多维数组：a[1:2, 3:4]    a[:,3:5]        a[:,1]与列表不同，数组切片时并不会自动复制，在切片数组上的修改会影响原数组。    【解决方法：copy()】

六、布尔型索引

问题：给一个数组，选出数组中所有大于5的数。

　　答案：a[a>5]

　　原理：

　　　　a>5会对a中的每一个元素进行判断，返回一个布尔数组

　　　　布尔型索引：将同样大小的布尔数组传进索引，会返回一个由所有True对应位置的元素的数组

问题2：给一个数组，选出数组中所有大于5的偶数。

问题3：给一个数组，选出数组中所有大于5的数和偶数。

　　答案：

　　　　　a[(a>5) & (a%2==0)]

　　　　　a[(a>5) | (a%2==0)]

 

import numpy as npa = np.array([1,2,3,4,5,4,7,8,9,10])a[a>5&(a%2==0)]  #注意加括号，不叫括号错误，如下输出：array([ 1,  2,  3,  4,  5,  4,  7,  8,  9, 10])a[(a>5)&(a%2==0)]输出：array([ 8, 10])

七、花式索引

问题1：对于一个数组，选出其第1，3，4，6，7个元素，组成新的二维数组。答案：a[[1,3,4,6,7]]问题2：对一个二维数组，选出其第一列和第三列，组成新的二维数组。答案：a[:,[1,3]]

八、通用函数

通用函数：能同时对数组中所有元素进行运算的函数

常见通用函数：

一元函数：abs, sqrt, exp, log, ceil, floor, rint, trunc, modf, isnan, isinf, cos, sin, tan

numpy.sqrt(array)                   平方根函数   numpy.exp(array)                    e^array[i]的数组numpy.abs/fabs(array)               计算绝对值numpy.square(array)                 计算各元素的平方 等于array**2numpy.log/log10/log2(array)         计算各元素的各种对数numpy.sign(array)                   计算各元素正负号numpy.isnan(array)                  计算各元素是否为NaNnumpy.isinf(array)                  计算各元素是否为NaNnumpy.cos/cosh/sin/sinh/tan/tanh(array) 三角函数numpy.modf(array)                   将array中值得整数和小数分离，作两个数组返回numpy.ceil(array)                   向上取整,也就是取比这个数大的整数 numpy.floor(array)                  向下取整,也就是取比这个数小的整数numpy.rint(array)                   四舍五入numpy.trunc(array)                  向0取整 numpy.cos(array)                       正弦值numpy.sin(array)                    余弦值 numpy.tan(array)                    正切值

二元函数：add, substract, multiply, divide, power, mod,  maximum, mininum, 

numpy.add(array1,array2)            元素级加法numpy.subtract(array1,array2)       元素级减法numpy.multiply(array1,array2)       元素级乘法numpy.divide(array1,array2)         元素级除法 array1./array2numpy.power(array1,array2)          元素级指数 array1.^array2numpy.maximum/minimum(array1,aray2) 元素级最大值numpy.fmax/fmin(array1,array2)      元素级最大值，忽略NaNnumpy.mod(array1,array2)            元素级求模numpy.copysign(array1,array2)       将第二个数组中值得符号复制给第一个数组中值numpy.greater/greater_equal/less/less_equal/equal/not_equal (array1,array2)元素级比较运算，产生布尔数组numpy.logical_end/logical_or/logic_xor(array1,array2)元素级的真值逻辑运算

九、补充知识：浮点数特殊值

1.浮点数：float
      浮点数有两个特殊值：

• nan(Not a Number)：不等于任何浮点数（nan != nan）
• inf(infinity)：比任何浮点数都大

在数据分析中，nan常被表示为数据缺失值

2.NumPy中创建特殊值：np.nan np.inf

3.在数据分析中，nan常被用作表示数据缺失值

既然nan连自己都不相等，那么怎么判断是不是NAN呢？

用a==a 只要返回False就能判断

十、数学和统计方法

常用函数：sum	求和cumsum 求前缀和mean	求平均数std	求标准差var	求方差min	求最小值max	求最大值argmin	求最小值索引argmax	求最大值索引　　

十一、随机数生成

随机数生成函数在np.random子包内常用函数rand	给定形状产生随机数组（0到1之间的数）randint	给定形状产生随机整数choice	给定形状产生随机选择shuffle	与random.shuffle相同uniform	给定形状产生随机数组