NumPy简介：
NumPy是高性能科学计算和数据分析的基础包。是pandas等其他各种工具的基础
NumPy主要功能：
ndarray,一个多维数组结构，高效且节省空间
无需循环对数组数据进行快速运算的数学函数
线性代数、随机数生成和傅里叶变换功能
安装方法：
pip3 install numpy
引用方式：
import numpy as np

例如：已知若干家跨国公司的市值（美元），将其转换为人民币
a = [ramdom.uniform(1000.0, 2000.0), for i in range(50)]
dic = 6.8
a=np.array(a)
a*dic //得出结果

例如：已知购物车的商品价格和商品数量求商品总金额
price = [ramdom.uniform(100.0, 200.0), for i in range(50)]
quantity=[ramdom.randint(1,10), for i in range(50)]
price=np.array(price)
quantity=np.array(quantity)
price*quantity //每个商品总价 每一项分别相乘
price*quantity.sum() //所有商品总价

ndarray方法：
np.array(array_like) //转化为多维数组，数组对象内元素类型必须相同，数组大小不可更改

a = np.array(range(20))
1、a.dtype //存的数据的类型
ndarray数据类型
布尔型：bool_
整型：int_ int8 int16 int32 int64 //数字表示位
无符号整型：uint8 uint16 uint32 uint64 //只表示0和正数
浮点：float_ float16 float32 float64
复数：complex_ complex64 complex128
2、a.size //返回个数
3、a=np.array([ [1,2,3], [4,5,6] ]) //二维数组"一张纸"
a=np.array([ [1,2,3], [4,5,6] ],
[ [7,8,9], [10,11,12] ]) //三维数组"一个本"
a.shape //二维返回行列，三维返回行列厚
4、a.T //行转列
5、a.ndim //查看维数

ndarray创建：

1、np.zeros(10,dtype='int') //10个0，默认是float
np.ones(10) //10个0
a=np.empty(100) //随机值，之前内存的残值。要确认以后会赋值就用这个
np.arange(2,100,3)//起始值，结束值，步长，步长可为小数
np.linspace(0,100,101) //[起始值，结束值],个数。等差数列
np.arange(15),reshape((3,5)) //15个数变成3行5列的二维数组

ndarray运算：

向量：ndarray
标量：1，2,3,4等

ndarray可以和标量运算:
ndarray可以和ndarray运算：+-*/><

ndarray索引：
一维数组： a[0] a[1] a[2]
二维数组：a[0][0] a[0,0]

ndarray切片：
一维数组切片：
a[0:4:2] //开始位置，结束位置，步长
ndarray切片 和 普通列表切片有什么不同？
ndarray切片默认是原数组的引用，修改切片会导致原数组修改
除非使用：a[0:4].copy()才复制一份
二维数组切片：
例如a=np.array([ [1,2,3], [4,5,6] ])
切1,2,4,5逗号左边是行右边是列
a[0:2,0:2]

ndarray布尔型索引：
例如：给一个数组，选出数组中所有大于5的数
a=np.arange(10)
a[a>5]
原理：//先执行a>5得到布尔数组，
//布尔索引：把同样大小的布尔数组传进索引，这样把a里对应为True的返回

例如：选出数组中大于5的偶数
a[(a>5) & (a%2==0)] //用&要加括号，不加报错
a[(a>5) | (a%2==0)] //或

ndarray花式索引：
一维数组
a = np.arange(20)
取出1,3,4,6,7位置的值
b=[1,3,4,6,7]
a[b]
二维数组
a[0,2:3] 第一行切片
a[0:a[0]>2] 第一行大于2的
a[[1,3],:][:,[1,3]] 取1,3行中的1,3列

NumPy通用函数
能同时对数组中所有元素进行运算
通用函数：
np.abs
np.sqrt
np.ceil 向上取整
np.floor 向下取整
np.round<==>np.rint 向外取整
np.trunc 向0取整
np.modf x,y=np.modf(a) x是小数部分，y是整数部分
NAN：不是数字，不等于任何浮点数，也不等于自己 0/0 sqrt(-1)
INF：比任何浮点数都大 np.inf==np.inf为真 5/0
怎样判断结果集b里有没有NAN？[nan,1.]
np.isnan(b) [True,False] # 判断有没有NAN
b[~(np.isnan(b))] # 删除NAN

怎样过滤c中的INF？
c[c!=np.inf] 或 c[np.isinf(c)]

二元函数：
np.maximum(a, b) # 一一对应取出最大的
np.minmum(a, b) # 一一对应取出最小的

求和：
a.sum() # 对a中所有的求和
a.mean() # 求平均值
a.var() # 求方差 表示数据的离散程度，越高表示离散程度越高
a.std() # 求标准差。通过方差开方得到。
a.min() # 返回最小值
a.max() # 返回最大值
a.argmax() # 返回最大值的下标
a.argmin() # 返回最小值的下标

NumPy随机数生成：
np.random.randint(0, 10, 30) #生成30个0~10范围的数
np.random.randint(0, 10, (3,5,6)) # 生成三维数组(3,5,6)
np.random.rand(10) # 返回10个0~1的数
np.random.choice([1,2,3,4,5], 10) # 返回列表中的数，共10个
np.random.uniform(2.0, 4.0, 10) # 返回10个2.0~4.0的浮点数，平均分布