预计阅读时间：12 分钟
1.Numpy ndarray：多维数组对象
Numpy的核心特征之一就是N-维数组对象-ndarray。ndarray时Python中一个快速、灵活的大型数据集容器。数组允许使用类型于标量的操作语法在整个数据上进行数学计算。
一个ndarray是一个通用的多维同类数据容器，它包含的每一个元素均为相同类型。每一个数组都是shape属性，用来表征数组每一维度的数量，每一个数组都有一个dtype属性，用来描述数组的数据类型。
生成数组最简单的方式就是使用array函数。array函数接收任意的序列型对象，生成一个新的包含传递数据的Numpy数组。
import numpy as np
data1=[6,7.5,8,0,1]
arr1=np.array(data1)
data2=[[1,2,3,4],[5,6,7,8]]
arr2=np.array(data2)
除了np.array,华友很多其他函数可以创建新数组。例如给定长度和形状后，zeros可以一次性创建全0数组，ones可以一次性创造全1数组。empty则可以创建一个没有初始化数值的数组。想要创建高维数组，则需要一个shape船体一个元组。但当使用np.empty创建一个全0的数组并不安全，有时候可能会返回未初始化的垃圾数值。
arange是Python内建函数range的数组版
np.arange(15) array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]) 下面是一些标准数组的生成函数。由于Numpy是专注于数值计算，如果没有特别指明，默认数据类型为float64.
array - 将输入数据转换为ndarray，如不显式指明数据类型，将自动推断；默认复制所有的输入数据
asarray - 将输入转换为ndarray，但如果输入已经是ndarray则不再复制
arange - Python内建函数range的数组版，返回一个数组
ones - 根据给行形状和数据类型生成全1数组
ones_like - 根据给定的数组生成一个形状一样的全1数组
zeros - 根据给定形状和数据类型生成全-数组
zeros_like - 根据所给的数组生成一个形状一样的全0数组
empty - 根据给定形状生成一个没有初始化数值的空数组
empty_like - 根据所给的数组生成一个形状一样的空数组
full - 根据所给定的形状盛恒只当数值的数组
full_like - 根据所给的数组生成一个形状一样但内容是指定数值的数组
eye，identity - 生成一个NXN特征矩阵（对角线位置都是1，其余位置都是0）
2.ndarray的数据类型
数据类型dtype，是一个特殊的对象，包含了ndarray需要为某一种类型数据所申明的内存块信息（也成为元数据，即表示数据的数据）。
dtype是Numpy能够与其他系统数据灵活交互的原因。数据的dtype通常是按照一个方式命名：类型名，比如float和int，后面接上表示每个元素位数的数字。
可以使用astype方法显式的转换数组的数据类型，使用astype总能生成一个新的数组，即使传入的dtype与以前的一样。
3.基础索引与切片
如果传入一个数组给数组切片给，例如arr[5:8],数值被传递给整个切片，区别于Python的内建函数，数组的切片是原数组的视图。这意味着数据并不是被复制，任何对于视图的修改都会反映到原数组上
对二维数组进行切片：
eg：arr[:2]即选择arr的前两行
arr[1,:2]表示选择第二行但是只选择前两列
arr[：2，2]表示选择第三列，但是只选择前两行。
arr[:,:1]单独一个冒号表示选择整个数轴上的数组。
arr[:2,1:]=0可以对切片表达式赋值，整个切片都会重新赋值
4.数组转置和换轴
import numpy as np
arr=np.arange(15).reshape((3,5))
arr array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) arr.T array([[ 0, 5, 10], [ 1, 6, 11], [ 2, 7, 12], [ 3, 8, 13], [ 4, 9, 14]])
当进行矩阵计算时，可能进行一些特定的操作：计算矩阵的内积会使用np.dot。对于更高维度的数组，transpose方法可以接收包含轴编号的元组，用于置换轴：
import numpy as np
arr=np.arange(16).reshape((2,2,4))
arr array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]]) arr.transpose((1,0,2)) array([[[ 0, 1, 2, 3], [ 8, 9, 10, 11]], [[ 4, 5, 6, 7], [12, 13, 14, 15]]]) 在这里，轴已经被重新排序，使得原理啊的第二个轴变为第一个，原理啊的第一个轴变为第二个，最后一个轴没有变化。
ndarray可以使用swapaxes方法接收一堆轴编号作为参数，并对轴进行调整用于重组数据。
arr array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]]) arr.swapaxes(1,2) array([[[ 0, 4], [ 1, 5], [ 2, 6], [ 3, 7]], [[ 8, 12], [ 9, 13], [10, 14], [11, 15]]])
swapaxes返回的是数据的视图，而没有对数据进行复制。
5.通用函数:快速的逐元素数组函数
通用函数，可称为ufunc，是一种再ndarray数据中进行逐元素操作的函数。某些简单函数接受一个或读个标量数值，并产生一个或多个标量结果，而通用函数就是对这些简单的函数的向量化封装。
一元通用函数：
abs、fabs - 逐元素地计算整数、浮点数或者复数的绝对值
sqrt - 计算每个元素的平方根
square - 计算每个元素的平方
exp - 计算每个元素的自然指数值
log、log10、log2、log1p - 分别对应：自然对数（以e为底），对数10为底、对数2为底，log（1+x）
sign - 计算每个元素的符号值：1（正数），0，-1（复数）
ceil - 计算每个元素的最高整数值（即大于等于给定数值的最小整数）
floor - 计算每个㢝的最小整数值（即小于等于给定元素的最大整数）
rint - 将元素保留到整数位，并保持dtype
modf - 分别将数组的小数部分和整数部分按照数组形式返回
isnan - 返回数组中的元素是否四一个NaN(不是一个数值)，形式为布尔值数组
isfinite，isinf - 分别返回数组中的元素是否有限（非inf，非NaN），是否无限，形式为布尔值数组
cos、cosh、sin - 常规的双曲三角函数
sinh、tan、tanh
arccos、arccosh、arcsin - 反三角函数
logical_not - 对数组的元素按位取反（与~arr效果一致）
二元通用函数
add - 将数组的对应元素相加
subtract - 在第二个数组中，将第一个数组中包含的元素去除
multiply - 将数组的对应元素相乘
divide、floor_divide - 除或整除
power - 将第二个数组的元素组为第一个数组对应元素的幂次方
maxium，fmax - 逐个葛元素计算最大值，fmax忽略NaN
minium、fmin - 逐个元素计算最小值，fmin忽略NaN
mod - 暗元素的求模计算（即求除法的余数）
greater、greater_equal,less ，less_euqal,eqial,not_equal - 进行逐个元素的比较，返回布尔值数组(与数学操作符>,>=,<,<=,==,!=效果一致)
logical_and,logical_or，logical_xor - 进行逐个元素的逻辑操作（与逻辑操作符&，|，^效果等价）
6.使用数组进行面向对象编程
numpy.where函数是三元表达式x if condition else y 的向量化版本。
import numpy as np
x=np.array([1.1,1.2,1.3,1.4,1.5])
y=np.array([2.1,2.2,2.3,2.4,2.5])
c=np.array([True,False,True,True,False])
reslut=[(x if c else y) for x,y,c in zip(x,y,c)]
使用numpy.where可以简单的完成：
result=np.where(c,x,y)
np.where的第二个和第三个参数并不需要是数组，可以是标量。where在数据分析中的一个典型用法是根据一个数据来生成一个新的数组。假设有一个随机生成的矩阵数据，并且想将其中的正数替换为2，所有的负数替换为-2，使用np.where会很容易实现。
一些基础数组统计方法
sum - 沿着轴向计算所有元素的累和，0长度的数组，累和为0
mean - 数学平均，0长度的数组平均值为NaN
std，var - 标准差和方差，可以选择自由度调整
min，max - 最小值和最大值
argmin，argmax - 最小值和最大值的位置
cumsum - 从0开始元素累积和
cumprod - 从1开始元素累积积
np.sort()返回的是已经排序好的数组拷贝，而不是原数组按位排序。
np.unique()返回的是数组中位移值排序后形成的数组
np.in1d()可以检查一个数组中的值是否在另外一个数组中，返回一个布尔数组
数组的集合操作
unique(x) - 计算x的唯一值，并排序
intersect1d（x，y） - 计算x和y的交集，并排序
union1d（x，y） - 计算x和y的并集，并排序
in1d（x，y） - 计算x中的元素是否包含在y中，返回一个布尔值数组
setdiffer1d（x，y） - 差集，在x中但不在y中的x的元素
setxor1d（x，y） - 异或集，在x或y中，但不属于x，y交集的元素
线性代数函数列表
diag - 将一个方针的对角（或非对角）元素作为一维数组返回，或者将一维数组转换为一个方阵，并在非对角线上有零点
dot - 矩阵点乘
trace - 计算对角元素的和
det - 计算矩阵的行列式
eig - 计算方阵的特征值和特征向量
inv - 计算方阵的逆矩阵
pinv - 计算矩阵的Moore-Penrose伪逆
qr - 计算QR分解
svd - 计算奇异值分解（SVD）
solve - 求解x的线性系统Ax=b，其中A为方阵
lstsq - 计算Ax=b的最小二乘解
7.伪随机数生成
numpy.random模块填补了Python内建的random模块的不足，可以高效的生成多种概率分布下的完整样本值数组。
samples=np.random.normal(size=(4,4))获得一个4x4的正态分布样本数组
numpy.random中的数据生成函数共用了一个全局的随机数种子。为避免全局状态，可以使用numpy.random.RandomState生成一个随机数生成器，使数据独立于其他的随机数状态。
numpy.random中的部分函数列表
seed - 向随机数生成器传递随机状态种子
permutat - 返回一个序列的随机排列，或者返回一个乱序的整数范围序列
shuffle - 随机排列一个序列
rand - 从均匀分布中抽取样本
randint - 根据给定的由低到高的范围抽取随机整数
randn - 从均值0方差1的正态分布中抽取样本
binomial - 从二项分布中抽取样本
normal - 从正态分布中抽取样本
beta - 从beta分布中抽取样本
chisquare - 从卡方分布中抽取样本
gamma - 从伽马分布中抽取样本
uniform - 从均匀[0,1]分布中抽取样本
本文由 suisui 发布