Numpy
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
Ndarray
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。
问题1：Ndarray与array的区别是什么呢？
答：ndarray是一个对象，而array是一个方法（函数），起作用是生成一个ndarry的对象。
问题2：Ndarray是怎么存储的呢？
Ndarray具有一下属性：
-
dtype：表示数组的数据类型 -
shape：表示数组的维度，或矩阵的秩 -
strides：暂时不懂·····
创建矩阵
# 方式一
matrix = [
[1,2,3,4],
[3,4,5,6],
[7,8,9,10],
[11,12,13,14],
]
matrix = np.array[matrix] #成功
# 方式二
matrix = np.arange(start, end, step) #这样只能创建一维矩阵
matrix = np.arange(star, end, step).reshape(层数, 列数, 行数) #可以通过reshape方法改变
#方法三
matrix = np.zeros(shape, *dtype=None, *order='C')
matrix = np.ones(shape, *dtype=None, *order='C')
下面引用知乎@曲奇的例子辅助理解
一、多维数据的形象表示
import numpy as np
# 一维数据不用赘言
data_1d = np.array([0, 1, 2, 3])
# 二维数据作为 m 行 n 列的表格，例如 2 行 3 列
data_2d = np.arange(6).reshape(2, 3)
# 三维数据作为 k 层 m 行 n 列 的积木块， 例如 2 层 3 行 4 列
data_3d = np.arange(24).reshape(2, 3, 4)
检查一个 ndarray 数据的维度和大小，分别用 ndim 和 shape 属性。
>>> print(data_3d.ndim)
3
>>> print(data_3d.shape)
(2, 3, 4)
shape 是一个很关键的属性，我是这样把它和各个轴对应的：
shape: (2, 3, 4)
k, m, n
z, y, x
心法1: x, y, z 对应的shape元组是从右往左数的。
这是我的个人习惯，也符合主流的用法。
二、图像数据的小误会
打开一幅 640 x 480 的图像：
import numpy as np
import matplotlib.pylab as plt
image = plt.imread("lena.jpg")
print(image.shape)
# --- 结果 ---
# (480, 640, 3)
# (y, x, c)
不是 640 x 480 吗， 怎么倒过来了？我写代码的时候在这里总是犯迷糊。
在口头表达中，我们先说宽640，再说高480，而在计算机中是先高(y) 后宽(x)，注意了！
每个像素有三个颜色分量(color)，所以这个维度放在了最右边，可以理解，顺序就是 (y, x, c)
三、抽象轴上的操作
对于4维及更高维度的数据，无法在3维空间图示。这个时候，就不要考虑形象思维了，直接按照规则做处理。
用 shape 属性返回的元组，从左到右，座标轴分别命名为 axis 0, axis 1, ...，请注意，现在是从左向右数，正好是这个元组的 index，在以后的运算中，都按此规定。
>>> print(data.shape)
(3, 3, 2, 5)
# axis 0: 3
# axis 1: 3
# axis 2: 2
# axis 3: 5
心法2: 抽象座标轴顺序从左向右。指定哪个轴，就只在哪个轴向操作，其他轴不受影响。
- 排序（sorting）
data = np.array(np.arange(12))
np.random.shuffle(data)
data = data.reshape(3, 4)
print(data)
# [[10 8 3 2]
# [ 5 6 0 7]
# [11 4 9 1]]
print( np.sort(data, axis=0) )
# [[ 5 4 0 1] | 小
# [10 6 3 2] | 到
# [11 8 9 7]] | 大
print( np.sort(data, axis=1) )
# 小 到 大
# --------->
# [[ 2 3 8 10]
# [ 0 5 6 7]
# [ 1 4 9 11]]
如果你在心中能把抽象轴和 x, y, z 对应起来，则理解轴向排序很容易。
shape: (3, 4)
axis: 0, 1
AXIS: y, x
- 求和、均值、方差、最大、最小、累加、累乘
这几个函数调用，一般会指定轴向，注意适用 心法2
sum，mean，std，var，min，max 会导致这个轴被压扁，缩减为一个数值，降维打击？？
data = np.arange(24).reshape(2, 3, 4)
print(data)
# [[[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
#
# [[12 13 14 15]
# [16 17 18 19]
# [20 21 22 23]]]
print( np.sum(data, axis=0) )
# 0轴被sum压扁，1轴2轴不变
# [[12 14 16 18]
# [20 22 24 26]
# [28 30 32 34]]
print( np.sum(data, axis=1) )
# 1轴被sum压扁，0轴2轴不变
# [[12 15 18 21]
# [48 51 54 57]]
cumsum，cumprod 不缩减轴向，只在指定轴向操作，请读者自己试验。
- 索引和切片（indexing and slicing）
心法3: 在索引中出现冒号(