import numpy as np

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

a1 = np.array([[1,4,3],[4,5,6],[7,8,9.5]])

注意：

numpy默认ndarray的所有元素的类型是相同的

如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int

import matplotlib.pyplot as plt

img_arr = plt.imread('./bobo.jpg')  #图片路径

plt.imshow(img_arr) #显示图片

1) np.ones(shape, dtype=None, order='C')

shape:数组的尺寸(2,3,3) 2行3列3页的数组

dtype:数据类型(str,int,float)

np.ones((4,6))  #创建全1矩阵 4x6

2) np.zeros(shape, dtype=None, order='C') #创建全0矩阵
　　np.zeros((2,3))

3) np.full(shape, fill_value, dtype=None, order='C') #指定填充数据,创建矩阵

5) np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列

start:起始值

stop:终止值

num:个数

endpoint:是否包含终止值,true表示包含

retstep:是否返回步长

6) np.arange([start, ]stop, [step, ]dtype=None) #根据步长取数

7) np.random.randint(low, high=None, size=None, dtype='l') #产生随机整数

np.random.seed(100)  #不在随机

np.random.randint(0,100,size=(5,3))

8) np.random.randn(d0, d1, ..., dn)  #正态分布中随机取数值

9) np.random.random(size=None)  #生成0到1的随机数，左闭右开 

np.random.seed(100)

arr=np.random.randint(50,100,size=(5,5))

arr

数组性质:

arr.shape  #数组的各维度尺寸,返回元组

arr.size #返回各维度尺寸的乘积

arr.dtype #返回数组的数据类型

type(arr) #返回数组类型

np.random.seed(10)

arr = np.random.randint(0,100,size=(5,5))

arr

arr[1][3] = 10000 #索引并赋值

格式：

arr[:,:,] 不同维度用‘,'隔开，[行索引，列索引]

#获取二维数组前两行

arr[0:2] 

#获取二维数组前两列

arr[:,0:2] #逗号之间表示的行，逗号后面表示的列的切片

#获取二维数组前两行和前两列数据

arr[0:2,0:2]

#将数组的行倒序

arr[::-1]

#列倒序

arr[:,::-1]

#全部倒序

arr[::-1,::-1]

cat_arr=plt.imread('part_1/cat.jpg') #获取图片数据

res_cat_arr=cat_arr[::-1,::-1,::-1] #数据反转

plt.imshow(res_cat_arr) #显示图片

使用arr.reshape()函数，注意参数是一个tuple！

arr_1.reshape((25,1)) #将多维数组变形成一维数组

arr_1.reshape((-1,5))  #-1表示自动计算行数

img_arr.shape #获取图片数组的尺寸

#将元数据变形成一维

img_arr_one_ndim = img_arr.reshape((626*413*3))

#将变形后的一维数组中的元素全部倒置

img_arr_one_ndim = img_arr_one_ndim[::-1]

#重新塑造回原先的多维数组

arr_img_finally = img_arr_one_ndim.reshape((626,413,3))

plt.imshow(arr_img_finally) #展示图片 

np.concatenate((arr1,arr2),axis=1)    #axis=0 纵轴  1横轴

tree_arr=np.concatenate((cat_arr,cat_arr,cat_arr),axis=1) #横向合并

nine_arr=np.concatenate((tree_arr,tree_arr,tree_arr),axis=0) #纵向合并

plt.imshow(nine_arr) 

np.vstack((arr,arr1))  垂直方向级联

np.vstack((arr,arr1))  纵向方向级联

级联需要注意的点：

　　1 级联的参数是列表：一定要加中括号或小括号

　　2 维度必须相同

　　3 形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，
　　  必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，
　　  必须保证进行级联的数组列数保持一致。

　　4 可通过axis参数改变级联的方向

与级联类似，三个函数完成切分工作：

　　np.split(arr,行／列号，轴):参数2是一个列表类型

　　np.vsplit 垂直方向切割

　　np.hsplit 水平方向切割

arr

np.split(arr,(2,4),axis=1)   #在纵向索引为2，4的位置切割

cat_arr=plt.imread('part_1/cat.jpg')#获取图片数据

c1,c2,c3=np.split(cat_arr,(150,360),axis=0) #纵向切割，并解包

plt.imshow(c1)

plt.imshow(c2)

plt.imshow(c3)

arr_= arr.copy() #产生一个arr一样的副本

arr.sum(axis=1) #横向求和

arr.sum(axis=0) #纵向求和

arr.max(axis=1) #横向取最大

arr.max(axis=0) #纵向取最大

arr.mean()  #取所有数据的平均值

Function Name    NaN-safe Version    Description

np.sum    np.nansum    Compute sum of elements

np.prod    np.nanprod    Compute product of elements

np.mean    np.nanmean    Compute mean of elements

np.std    np.nanstd    Compute standard deviation

np.var    np.nanvar    Compute variance

np.min    np.nanmin    Find minimum value

np.max    np.nanmax    Find maximum value

np.argmin    np.nanargmin    Find index of minimum value

np.argmax    np.nanargmax    Find index of maximum value

np.median    np.nanmedian    Compute median of elements

np.percentile    np.nanpercentile    Compute rank-based statistics of elements

np.any    N/A    Evaluate whether any elements are true

np.all    N/A    Evaluate whether all elements are true

np.power 幂运算

【重要】ndarray广播机制的三条规则:缺失维度的数组将维度补充为进行运算的数组的维度。缺失的数组元素使用
　　　　已有元素进行补充。

　　规则一：为缺失的维度补1(进行运算的两个数组之间的维度只能相差一个维度)

　　规则二：缺失元素用已有值填充

　　规则三：缺失维度的数组只能有一行或者一列

例1：

m = np.ones((2, 3))

a = np.arange(3)

np.sort()与ndarray.sort()都可以，但有区别：

np.sort()不改变输入

ndarray.sort()本地处理，不占用空间，但改变输入

np.sort(arr,axis=1)  #横向排序

np.sort(arr,axis=0) #纵向排序