​ 

活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。

学习日记

目录

学习日记

一、numpy概述

1、numpy简介

2、numpy安装

二、 Ndarray 对象

1、概述

2、ndarray特点

3、内部结构

三、数据类型对象 (dtype)

四、NumPy 创建数组

五、数组属性

1、ndarray.shape

2、ndarray.ndim（返回数组的维数）

3、numpy.itemsize（返回数组中每个元素的字节单位长度）

4、numpy.arange（返回ndarray对象，包含给定范围内的等间隔值）

5、numpy.linspace

​六、创建数组

1、通过列表创建一维数组

2、通过列表创建二维数组

3、创建全为0的二维数组

4、创建全为1的三维数组 

5、full函数创建任意大小的数组并填充任意数字

6、创建一维等差数组

7、创建二维等差数组 

8、创建单位矩阵（二维数组） 

9、创建二维随机数组 

10、创建二维随机整数数组（数值小于 6）

 七、数组运算

1、和 

2、mean

3、argsort

4、矩阵乘法

5、矩阵求逆

---

一、numpy概述

1、numpy简介

        NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算。这类数值计算广泛用于机器学习模型、图像处理、数学任务等方面。

2、numpy安装

pip install numpy

二、 Ndarray 对象

1、概述

        NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。  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。

        ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。 下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。

2、ndarray特点

ndarray 对象是用于存放同类型元素的多维数组。

ndarray 中的每个元素在内存中都有相同存储大小的区域。

3、内部结构

#基本的Ndarray 是使用 NumPy 中的数组函数创建的。
numpy.array 

创建一个 ndarray 只需调用 NumPy 的 array 函数即可 

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

 

三、数据类型对象 (dtype)

dtype可由语法构造

numpy.dtype(object, align, copy)

• Object：被转换为数据类型的对象。

• Align：如果为true，则向字段添加间隔，使其类似 C 的结构体。

• Copy ? 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。

   
  # 使用数组标量类型  
  import numpy as np 
  dt = np.dtype(np.int32)  
  print dt
  

  结果

  int32
   
  

四、NumPy 创建数组

numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组

numpy.empty(shape, dtype = float, order = 'C')

numpy.zeros 创建指定大小的数组，数组元素以 0 来填充

numpy.zeros(shape, dtype = float, order = 'C')

numpy.ones 创建指定形状的数组，数组元素以 1 来填充

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

五、数组属性

1、ndarray.shape

import numpy as np 
a = np.array([[1,2,3],[4,5,6]])  
print a.shape

结果

(2, 3)
 

 # 调整数组大小  
import numpy as np 
 
a = np.array([[1,2,3],[4,5,6]]) a.shape =  (3,2)  
print a 

结果

[[1, 2] 
 [3, 4] 
 [5, 6]]

2、ndarray.ndim（返回数组的维数）

 # 等间隔数字的数组  
import numpy as np 
a = np.arange(24)  print a

结果

[0 1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16 17 18 19 20 21 22 23] 

 # 一维数组  
import numpy as np 
a = np.arange(24) a.ndim 
# 现在调整其大小
b = a.reshape(2,4,3)  
print b 
# b 现在拥有三个维度

结果

[[[ 0,  1,  2] 
  [ 3,  4,  5] 
  [ 6,  7,  8] 
  [ 9, 10, 11]]  
  [[12, 13, 14] 
   [15, 16, 17]
   [18, 19, 20] 
   [21, 22, 23]]] 

3、numpy.itemsize（返回数组中每个元素的字节单位长度）

 # 数组的 dtype 为 int8（一个字节）  
import numpy as np 
x = np.array([1,2,3,4,5], dtype = np.int8)  
print x.itemsize

结果

1

4、numpy.arange（返回ndarray对象，包含给定范围内的等间隔值）

 numpy.arange(start, stop, step, dtype)

 import numpy as np
x = np.arange(5)  
print x

 结果

[0  1  2  3  4]

 import numpy as np
# 设置 dtype
x = np.arange(5, dtype =  float)  
print x

结果

[0.  1.  2.  3.  4.]

 # 设置了起始值和终止值参数  
import numpy as np
x = np.arange(10,20,2)  
print x

结果

[10  12  14  16  18]

5、numpy.linspace

指定了范围之间的均匀间隔数量，而不是步长

 numpy.linspace(start, stop, num, endpoint, retstep, dtype)
 

 

​六、创建数组

1、通过列表创建一维数组

np.array([1, 2, 3])

array([1, 2, 3]) 

2、通过列表创建二维数组

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

array([[1, 2, 3], [4, 5, 6]]) 

3、创建全为0的二维数组

np.zeros((3, 4))

array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])

4、创建全为1的三维数组 

np.ones((2, 3, 4))

array([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])

5、full函数创建任意大小的数组并填充任意数字

np.full((3, 4), 2)

array([[2, 2, 2, 2],
   [2, 2, 2, 2],
   [2, 2, 2, 2]])

6、创建一维等差数组

np.arange(5)

 array([0, 1, 2, 3, 4])

7、创建二维等差数组 

np.arange(6).reshape(2, 3)

array([[0, 1, 2],
   [3, 4, 5]])

8、创建单位矩阵（二维数组） 

np.eye(3)

array([[1., 0., 0.],
   [0., 1., 0.],
   [0., 0., 1.]])

9、创建二维随机数组 

np.random.rand(2, 3)

10、创建二维随机整数数组（数值小于 6）

np.random.randint(6, size = (2, 3))

 七、数组运算

a = np.array([10, 20, 30, 40, 50])
b = np.arange(1, 6)

1、和 

a = np.array([[1, 2],
              [3, 4]])
np.sum(a)
 
 
np.sum(a, axis=0) # axis=0 表示对每一列求和
 
 
np.sum(a, axis=1) # axis=0 表示对每一行求和

2、mean

np.mean(a) # 求取平均值

3、argsort

a = np.array([[3, 6, 4, 11],
              [5, 10, 1, 3]])
a.argsort() # 将元素按照行从小到大排序，返回对应位置元素的下标

结果

array([[0, 2, 1, 3],
   [2, 3, 0, 1]], dtype=int64)

4、矩阵乘法

np.mat(A) * np.mat(B)

5、矩阵求逆

np.linalg.inv(A)