Numpy数组

1、列表和数组：列表数据类型可以不同；数组的数据类型相同
2、N维数组对象：ndarray Python已有列表类型，为什么需要一个数组对象(类型)？
• 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
• 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

3、N维数组对象：ndarray
ndarray是一个多维数组对象，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数组一般要求所有元素类型相同（同质），数组下标从0开始
4、ndarray对象的属性 ：
.ndim： 秩，即轴的数量或维度的数量
.shape： ndarray对象的尺度，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（整数、浮点数、布尔型）
.itemsize： ndarray对象中每个元素的大小，以字节为单位

5、ndarray数组的创建方法：（ndarray在程序中的别名是:array）
（1）从Python中的列表、元组等类型创建ndarray数组，x = np.array(list/tuple, dtype=np.float32)
（2）使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
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是元组类型
np.zeros(shape)： 根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)： 根据shape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.concatenate()： 将两个或多个数组合并成一个新的数组
。。。
6、ndarray数组的维度变换：
.reshape(shape)：不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape) ： 与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2) ：将数组n个维度中两个维度进行调换
.flatten()： 对数组进行降维，返回折叠后的一维数组，原数组不变
7、ndarray数组的类型变换：astype()方法

8、数组的索引和切片：
a[1 :4 :2] 表示 起始编号: 终止编号(不含): 步长

9、数组计算：

10、Numpy数据的存取：一二维数据存取
（1）np.savetxt(frame, array, fmt=’%.18e’, delimiter=’,’)
frame : 文件、字符串或产生器，可以是.csv .gz或.bz2的压缩文件
fmt：‘%d’表示十进制整数格式，‘%.1f’表示保留一位小数，‘%s’表示字符串格式
（2）np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)
np.float、np.int分别表示浮点数和整数
unpack : 如果True，读入属性将分别写入不同变量

11、多维数据存取：
（1）
存：a.tofile(frame, sep=”, format=’%s’)
取：np.fromfile(frame, dtype=float, count=‐1, sep=”)
count : 读入元素个数，‐1表示读入整个文件
（该方法需要读取时知道存入文件时数组的维度和元素类型）
（2）便捷式（存为二进制数据，存取更方便）
存：np.save(fname, array)
取：np.load(fname)

12、NumPy的random子库

13、Numpy的统计函数：