一、基本概念

NumPy Ndarray 对象
NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

1、numpy.ndarray中数据类型都是统一的

vector = np.array([1, 2, 3, 4.0])
vector

image.png

二、构建矩阵：返回数组或随机数组

1.np.array

# 构造一个 ndarray 
matrix = np.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
matrix

image.png

2.np.full快捷填充

np.full([3,4],1)

输出：

image.png

vector=np.full([3,4],True)
vector

输出：

image.png

3.使用 arange 生成序列

np.arange(起点，终点，步长)
函数返回一个有终点和起点的固定步长的list。
参数个数情况： np.arange()函数分为一个参数，两个参数，三个参数三种情况
1）一个参数时，参数值为终点，起点取默认值0，步长取默认值1。
2）两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。
3）三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长。其中步长支持小数

a=np.arange(6)
a
b=np.arange(3,8)
b
c=np.arange(1,2,0.1)
c

image.png

**起始为10，5为步长，30为结尾取不到**
np.arange( 10, 30, 5 )

输出：

image.png

np.arange(10)

输出：

image.png

np.arange( 10 ).reshape(5,2)

输出：

image.png

4.numpy.random.random

np.random.random((m, n))
#生成m行、n列的浮点数，浮点数都是从0-1中随机。

输出：

image.png

5.numpy.resahpe

numpy中reshape方法详解
np.arange(a,newshape,order='C')
本来是有三个参数的，但order这个参数目前来看实在是不常用。用到了以后再行补充。
a:数组——需要处理的数据
newrange:新的格式——整数或整数数组，如(2,3)表示2行3列。新的形状应该与原来的形状兼容，即行数和列数相乘后等于a中元素的数量。如果是整数，则结果将是长度的一维数组，所以这个整数必须等于a中元素数量。若这里是一个整数数组，那么其中一个数据可以为-1。在这种情况下，这个个值python会自动从根据第二个数值和剩余维度推断出来。

首先构建一个list

list_a=np.arange(0,16)
list_a

用reshape函数重新排布：

list_b=np.reshape(list_a,(2,8))
list_b

或者

list_b=np.reshape(list_a,(4,4))
list_b

image.png

这种情况，在list_b中由于有一个参数未知需要填写需要传递的数据组，因此因此需要用双层括号表示newrange格式。

但是另一种情况，如果与其他函数连用，例如与前面提到的np.arange()连用,a的位置就可以直接省略了：

data1 = pd.DataFrame(
    np.arange(0,16).reshape(4,4),columns=['a','b','c','d'])
data1

image.png

6.random.rand()

random.rand(维度，行，列)

image.png

7.创建一个等差数列数组

np.linspace用法介绍
语法：np.linspace( 起点, 终点,平均划分为多少个数据，endpoint=False)
endpoint参数设置最后一个数是否包含在该等差数列

# 平均划分
from numpy import pi
np.linspace( 0, 2*pi, 100 )
#此处pi对应圆周率

image.png

8.布尔索引

umpy模块之数组的切片索引

# 创建一个ndarray
vector = np.array([5, 10, 15, 20 ,10])
vector
#让这个ndarray与一个数值做判断，返回一个布尔结果
A=vector==15
A
#也可以与多个数值做判断
A=(vector==15)|(vector==20)
A
#构建一个ndarray
list_exa=np.random.rand(5,3)
list_exa
#索引：bool型数组的长度和被索引数组的高维维度一致。True为要截取的位置。
list_exa[A]
#切片
list_exa[A,1:2]

运行结果：

image.png

9.np.random.rand和np.random.randn

np.random.rand()函数
语法基本一致，区别在于：
np.random.randn()函数所产生的随机样本基本上取值主要在-1.96~+1.96之间，当然也不排除存在较大值的情形，只是概率较小而已。样本的取值满足一组服从标准正态分布的随机样本值。
而random.rand的取值则在[0,1)区间内。

np.random.randn(5)
np.random.rand(5)

输出结果： image.png

np.random.randn(5,3)
np.random.rand(5,3)

image.png

10.np.random.randint
语法：

np.random.randint(low, high=None, size=None)
[low,high) #high不为None
[0,low)
size=number 
size=(number,number)
#number为int

np.random.randint(4, size=9)
np.random.randint(4, size=(3,3))

输出结果： image.png

三、数学计算

1、求和函数

martrix_1=np.arange(1,24,2).reshape(3,4)
np.sum(martrix_1)
martrix_1
np.sum(martrix_1)
np.sum(martrix_1,axis=1)
np.sum(martrix_1,axis=0)

输出结果：

image.png

2、幂函数

exp：高等数学里以自然常数e为底的指数函数

numpy.exp(x)：返回e的x次幂，e是一个常数为2.71828

np.exp(1) #返回的结果为exp的一次方
np.exp(2) #返回的结果为exp的二次方

3、开平方根

np.sqrt(matrix) 

image.png

4、多维变1维

matrix.ravel() 
np.ravel(martrix_1)  

输出结果：

image.png

5、矩阵扩展（目前觉得用到的可能极小，先不记）

a = np.arange(0, 40, 10)
b = np.tile(a, (3, 5))
b

image.png

6、矩阵拼接

horizontal 水平的
Vertical 垂直的
stack 堆叠

a=np.arange(1,24,2).reshape(4,3)
b=np.arange(4,27,2).reshape(4,3)
np.hstack((a,b)) #水平拼接
np.vstack((a,b)) #垂直拼接
np.hstack(a) #水平展开

输出结果：

image.png

a=np.arange(1,24,2).reshape(4,3)
np.vsplit(a,2)
np.vsplit(a,4)
np.hsplit(a,3)

image.png