1. list1=[1,2,3,'a']
2. print list1
3. a=np.array([1,2,3,4,5])
4. b=np.array([[1,2,3],[4,5,6]])
5. c=list(a)   # array到list的转换
6. print a,np.shape(a)
7. print b,np.shape(b)
8. print c,np.shape(c)

list1=[1,2,3,'a']

print list1

a=np.array([1,2,3,4,5])

b=np.array([[1,2,3],[4,5,6]])

c=list(a)   # array到list的转换

print a,np.shape(a)

print b,np.shape(b)

print c,np.shape(c)

1. [1, 2, 3, 'a'] # 元素数据类型不同，并且用逗号隔开
2. [1 2 3 4 5] (5L,) # 一维数组，类型用tuple表示
3. [[1 2 3]
4. [4 5 6]] (2L, 3L)
5. [1, 2, 3, 4, 5] (5L,)

[1, 2, 3, 'a'] # 元素数据类型不同，并且用逗号隔开

[1 2 3 4 5] (5L,) # 一维数组，类型用tuple表示

[[1 2 3]

 [4 5 6]] (2L, 3L)

[1, 2, 3, 4, 5] (5L,)

    array的创建：参数既可以是list，也可以是元组.使用对应的属性shape直接得到形状

a=np.array((1,2,3,4,5))# 参数是元组

b=np.array([6,7,8,9,0])# 参数是list

c=np.array([[1,2,3],[4,5,6]])# 参数二维数组

print a,b,

c.shape()

也可以直接改变属性array的形状，-1代表的是自己推算。这里并不是T, reshape(())也可以

c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])

c.shape # (3L, 4L)

c.shape=4,-1   //c.reshape((2,-1))

c  

<pre style="box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; ">array([[ 1,  2,  3],

       [ 4,  4,  5],

       [ 6,  7,  7],

       [ 8,  9, 10]])

   这里的reshape最终相当于是一个浅拷贝，也就是说还是和原来的书c使用相同的内存空间

d=c.reshape((2,-1))

d[1:2]=100

c

array([[  1,   2,   3],

       [  4,   4,   5],

       [100, 100, 100],

       [100, 100, 100]])

   前面在创建数组的时候并没有使用数据类型，这里我们也可以使用数据类型。默认的是int32.

a1=np.array([[1,2,3],[4,5,6]],dtype=np.float64)

print a1.dtype,a.dtype  #float64 int32<pre style="margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; ">

前面在创建的时候我们都是使用的np.array()方法从tuple或者list转换成为array，感觉很是费劲，numpy自己提供了很多的方法让我们自己直接创建一个array.

arr1=np.arange(1,10,1) #

arr2=np.linspace(1,10,10)

print arr1,arr1.dtype

print arr2,arr2.dtype

[1 2 3 4 5 6 7 8 9] int32

[  1.   2.   3.   4.   5.   6.   7.   8.   9.  10.] float64

np.arange(a,b,c)表示产生从a-b不包括b，间隔为c的一个array，数据类型默认是int32。但是linspace(a,b,c)表示的是把a-b平均分成c分，它包括b。

   有时候我们需要对于每一个元素的坐标进行赋予不同的数值，可以使用fromfunction函数

def fun(i):

    return i%4+2

np.fromfunction(fun,(10,))

array([ 2.,  3.,  4.,  5.,  2.,  3.,  4.,  5.,  2.,  3.])

   fromfunction必须支持多维数组，所以他的第二个参数必须是一个tuple，只能是(10,),(10)是错误的。

def fun2(i,j):

    return (i+1)*(j+1)

np.fromfunction(fun2,(9,9))

array([[  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.],

       [  2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.],

       [  3.,   6.,   9.,  12.,  15.,  18.,  21.,  24.,  27.],

       [  4.,   8.,  12.,  16.,  20.,  24.,  28.,  32.,  36.],

       [  5.,  10.,  15.,  20.,  25.,  30.,  35.,  40.,  45.],

       [  6.,  12.,  18.,  24.,  30.,  36.,  42.,  48.,  54.],

       [  7.,  14.,  21.,  28.,  35.,  42.,  49.,  56.,  63.],

       [  8.,  16.,  24.,  32.,  40.,  48.,  56.,  64.,  72.],

       [  9.,  18.,  27.,  36.,  45.,  54.,  63.,  72.,  81.]])

    虽然说，这里提供了很多的直接产生array的方式，但是大部分情况我们都是会从list进行转换，因为在实际的处理中，我们需要从txt加载文件，那样直接读入的数据显示存放到list中，需要处理的时候我们转换到array,因为

array的设计更加符合我们的使用，涉及到矩阵的运算在使用mat，那么list主要就是用进行元素的索取。

def loaddataSet(fileName):

    file=open(fileName)

    dataMat=[]  //

    for line in file.readlines():

        curLine=line.strip().split('\t')

        floatLine=map(float,curLine)//这里使用的是map函数直接把数据转化成为float类型

        dataMat.append(floatLine)

    return dataMat  

上面的韩顺返回最终的数据就是最初的list数据集，再根据不同的处理需求是转化到array还是mat。其实array是mat的父类，能用mat的地方，array理论上都能传入。

元素访问：

   上面是array的一维数组的访问方式，我们再来看看二维的处理方式

print c[1:2]#  c[1:2].shape-->(1L, 3L)

print c[1:2][0]  # shape-->(3L,)

[[4 4 5]]

[4 4 5]

print c[1]

print c[1:2]

[4 4 5]

[[4 4 5]]

print c[1][2]

print c[1:4]

print c[1:4][0][2]

5

[[  4   4   5]

 [100 100 100]

 [100 100 100]]

5

   可以看出对于有:的表达最终的结果外面还嵌套一层list的[]，。访问的一定要注意，python最bug的就是，语法

灵活，不管怎样写索引语法都是正确的，但是最终的书结果却让你大跌眼镜。

    还有array的索引最终产生的是一个一个原始数据的浅拷贝，还和原来的数据共用一块儿内存

b=arr[1:6]

b[:3]=0

arr  #<pre style="box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; ">array([0, 0, 0, 0, 4, 5, 6, 7, 8, 9])

    产生上面的原因是因为array中直接存放的数据，拷贝的话直接拿走的是pointer，没有取走数据，但是list却会直接发生深拷贝，数据指针全部带走

list1=list(c)

list1[1]=0

list1  #上面修改的0并没有被改变

[array([1, 2, 3]), 0, array([100, 100, 100]), array([100, 100, 100])]

   除了这些之外还有自己的更加牛掰的方式（只能用array)

   1）使用布尔数组.感觉甚是强大，就不要自己写什么判断语句啦，注意这种方式得到结果不和原始数组共享空间。布尔索引仅仅适用于数组array，list没资格用。布尔索引最终得到下标索引为true的数据。索引只能是布尔数组

a=np.array(a*2)

a>5

a[a>5]  # 

array([16, 32, 48, 64, 80, 16, 32, 48, 64, 80])

   2)列表索引

      列表索引可以是数组和list。返回的数据不和原来的数据共享内存。索引可以是list和array

x=np.arange(10)

index=[1,2,3,4,5]

arr_index=np.array(index)

print x

print x[index]  # list索引

print x[arr_index]  # array索引

[0 1 2 3 4 5 6 7 8 9]

[1 2 3 4 5]

[1 2 3 4 5]

  array和list区别*2

a=np.arange(10)

lista=list(a)

print a*2

print lista*2

[ 0  2  4  6  8 10 12 14 16 18]

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

array的广播