Numpy的学习
Numpy
numpy(Numerical Python extensions)是一个第三方的Python包，用于科学计算。这个库的前身是1995年就开始开发的一个用于数组运算的库。经过了长时间的发展，基本上成了绝大部分Python科学计算的基础包，当然也包括所有提供Python接口的深度学习框架。
numpy在Linux下的安装已经在5.1.2中作为例子讲过，Windows下也可以通过pip，或者到下面网址下载：
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。Obtaining NumPy & SciPy libraries
5.3.1 基本类型（array）
array，也就是数组，是numpy中最基础的数据结构，最关键的属性是维度和元素类型，在numpy中，可以非常方便地创建各种不同类型的多维数组，并且执行一些基本基本操作，来看例子：
import numpy as np a = [1, 2, 3, 4] # b = np.array(a) # array([1, 2, 3, 4]) type(b) # <type 'numpy.ndarray'> b.shape # (4,) b.argmax() # 3 b.max() # 4 b.mean() # 2.5 c = [[1, 2], [3, 4]] # 二维列表 d = np.array(c) # 二维numpy数组 d.shape # (2, 2) d.size # 4 d.max(axis=0) # 找维度0，也就是最后一个维度上的最大值，array([3, 4]) d.max(axis=1) # 找维度1，也就是倒数第二个维度上的最大值，array([2, 4]) d.mean(axis=0) # 找维度0，也就是第一个维度上的均值，array([ 2., 3.]) d.flatten() # 展开一个numpy数组为1维数组，array([1, 2, 3, 4]) np.ravel(c) # 展开一个可以解析的结构为1维数组，array([1, 2, 3, 4]) # 3x3的浮点型2维数组，并且初始化所有元素值为1 e = np.ones((3, 3), dtype=np.float) # 创建一个一维数组，元素值是把3重复4次，array([3, 3, 3, 3]) f = np.repeat(3, 4) # 2x2x3的无符号8位整型3维数组，并且初始化所有元素值为0 g = np.zeros((2, 2, 3), dtype=np.uint8) g.shape # (2, 2, 3) h = g.astype(np.float) # 用另一种类型表示 l = np.arange(10) # 类似range，array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) m = np.linspace(0, 6, 5)# 等差数列，0到6之间5个取值，array([ 0., 1.5, 3., 4.5, 6.]) p = np.array( [[1, 2, 3, 4], [5, 6, 7, 8]] ) np.save('p.npy', p) # 保存到文件 q = np.load('p.npy') # 从文件读取
2 在Numpy中，多数函数可以指定数据类型的参数，这个参数是可选的，格式为dtype=类型名，如：
复制代码 1 a=numpy.arrange(5,dtype=int) 2 3 >>>array([0,1,2,3,4]) 4 5 a=numpy.arrange(5,dtype=complex) 6 7 ?
1 import numpy as np 2 3 print(np.empty(3)) 4 5 print(np.empty((4,1)))
4 数组转置（可以使用transpose()函数，也可以使用T属性访问转置矩阵）
1 nar.transpose() 2 3 nar.T
1 a=numpy.arrange(12).reshape(3,4) 2 3 a 4 5 array([[0,1,2,3],[4,5,6,7],[8,9,10,11]])
#此为第5点
5 Numpy中很多函数统计方法即可以当做数组的实例方法调用，也可以作为顶级的Numpy函数调用
实例使用：
1 r=a.cumsum() 2 3 r 4 5 array([0,1,3,6,10,15,21,28,36,45,55,66])
顶层函数调用：
1 r=numpy.cumsum(a) 2 r 3 4 array([0,1,3,6,10,15,21,28,36,45,55,66])
还有比如排序
a=numpy.random.rand(4)
a.sort()等价于numpy.sort(a)
6 Numpy中的集合运算
a=numpy.array([1,4,2,7,9,0,1,5,7,8])
unique(a): 删除数组中的重复元素，并返回唯一元素的有序结果
intersect1d(a,b):查找a,b中的共同元素，并返回公共元素的有效结果
union1d（a,b）:求a,b的并集，并返回有序结果。
in1d(a,b):返回一个布尔型数组，如果a元素包含于b，则返回TRUE，否则返回False
setdiff1d(a,b):求集合a,b的差，即存在于a中但不存在于b中的元素
setxor1d(a,b):求集合a，b的对称差。即存在于a或b但不同时存在于a，b中的元素
7 线性代数
numpy中的linalg模块支持常见的线性代数操作
det :求矩阵行列式
eig:求矩阵特征值和特征向量
inv:求方阵的逆
numpy中的常用线性代数函数
dot:完成矩阵乘法
trace:计算对角线元素的和
8访问文件
（1）将数组以二进制形式存取
save用于保存：numpy.save('d:\\nshz.npy',a) 若没有指定扩展名，则默认为.npy
load用于读取：numpy.load('d:\\nshz.npy')
（2）存取文本文件
savetxt():numpy.savetxt('d:\\npshz.txt',a,delimiter=',')会在D盘下新建文件‘npshz.txt’
loadtxt():numpy.loadtxt('d:\\npshz.txt',delimiter=',')
