NumPy核心操作全攻略
NumPy（Numerical Python）是 Python 生态中用于科学计算的核心库，提供高性能的多维数组对象（ndarray）及相关的数学运算工具。其核心功能围绕数组操作、线性代数、随机数生成等，是数据科学、机器学习等地方的基础依赖。
numpy核心数据类型
NumPy 的核心是 ndarray（N-dimensional array），一种高效存储和操作多维数据的容器。与 Python 原生列表相比，ndarray 支持矢量化运算，避免循环，显著提升性能。
- 特性：
- 固定大小，创建后不可变（元素可修改）。
- 所有元素类型相同（
dtype指定）。 - 支持广播（Broadcasting）机制实现不同形状数组的运算。
numpy安装
这个我们可以直接在命令行窗口或者终端进行pip install numpy就行了，但是可能会比较慢，我们这里加上清华的镜像源
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple创建一个ndarray对象
1 直接创建
import numpy as npa=np.array([0,1,2,3,4,5,6,7,8,9,10,11,12,13])print(type(a))这样我们就创建了一个数组（如果我们想创建一个多维数组对象，我们直接传入一个多维数组就行了），我们还查看了一下，我们创建了一个什么类型的数据，结果输出，这样我们就要记得，numpy创建的数据类型为
2 用可迭代对象arrang创建
import numpy as npr1 = np.arange(0,9,3)print(r1)这里我们创建了一个一维的数组对象，可迭代对象内容为 [0 3 6]
3 用linspace创建
import numpy as npr2 = np.linspace(0,1,5)print(r2)先给出结果[0. 0.25 0.5 0.75 1. ]
从结果可以看出，有三个参数，前两个为区间的左右两头数值，最后一个表示个数，要注意这个数组内容都是浮点型的，对于arrange相比，这个左右区间都是闭的。
4 创建特殊数组
import numpy as npa=np.zeros(3)print(\'一维：\\n\',a)b=np.zeros((3,3))print(\'二维：\\n\',b)c=np.zeros((3,3,3))print(\'三维：\\n\',c)输出结果：
这里我们创建了几个全0矩阵，以为我们只能传入一个参数。那么我们要传入几个参数的术后，我们要传入一个数组，数组中几个数表示几位的。大小就是数组的那样n*n*n的，同样全一数组也是这样的，用np.ones()就不展示了。
5 full()创建矩阵
import numpy as npa=np.full((3,3),6)print(a)输出结果：
我们可以看到，full可以提供两个参数，一个来控制矩阵的维度大小，另有一个控制填充值。
6 创建单位矩阵
import numpy as npa=np.eye(5,5)print(a) 输出
这里我们输出了一个矩阵，对角线全一，如果列和行不相同，那么就从左一开始为一，大家可以试下。
另外我们可以通过对我们创建的这个多维数组对象进行查看
我们可以看到这里有许多方法 ，其中包含许多方法，例如reshape，dot，copy，ndim等等，下面我们来说些常用的
numpy常用操作
1 查看矩阵基本数据类型
import numpy as npa=np.array([[1,2,3],[4,5,6],[7,8,9]])print(\'矩阵形状\',a.shape)print(\'矩阵维度\',a.ndim)print(\'矩阵大小\',a.size)print(\'矩阵储存位置\',a.data)print(\'每个矩阵数据存储所占位置\',a.itemsize)输出结果
2 基本运算
import numpy as nparray1 = np.array([[1,2],[3,4]])array2 = array1 * 2print(array1 + array2) # 加法print(array1 - array2) # 减法print(array1 * array2) # 乘法print(array1 / array2) # 除法print(array2 % array1) # 取余print(array1 // array2) # 取整输出结果
3 reshape方法
这个既可以升维度也可以降维度。
import numpy as npa=np.array([1,2,3,4,5,6,7,8])b=a.reshape(2,4)c=a.reshape(2,-1)print(a)print(b)print(c)这里我展示了两种修改数据形状的方法，一种给出确定的大小，然后就可以转化到自己想要的了，还有一种给出一个确定的，剩下可以让机器自己算，注意这里要可以整除，不然会报错。
我们这里还要注意，a.reshape(2,4)是又创建了一个副本，并不是对原来的数据进行修改，如果要对原本数据进行修改，我们要对他进行赋值例如a=a.reshape(2,4).
4 resize()方法
import numpy as npa=np.array([[1,2,3,4,5,6,7,8],[1,2,3,4,5,6,7,8]])b=a.resize(2,2)print(a)print(b)输出
resize是一个可以调整矩阵大小的方法。可以调整到自己指定的大小。这里调整后的数据是从第一行开始取，作为我们调整后的数据。
注意！这里a.resize(2,2)是一个None值，说明我们调整的是a原本数据
5 repeat
import numpy as npa=np.array([1,2,3])c=a.repeat(3)print(c) 输出
这个是将矩阵中每个值x参数个，不是数值x而是x个数。
6 选取
import numpy as npa=np.array([[1,2,3,4,5,6,7,8],[9,10,11,12,13,14,15,16],[17,18,19,20,21,22,23,24]])print(a[1:3,2:8])结果
我们可以根据矩阵进行想列表中切片那样，进行选取，拿第一个参数表示第一维为例，如果是[0:3]就表示从第一行到第二行的全选中了，[1:]表示第二行以及后面的。后面参数也是这样。
7 flatten()
import numpy as npa=np.array([[1,2,3],[4,5,6],[7,8,9]])b=a.flatten()print(b)#c = a.ravel() 有相同的作用输出
这个函数就相当于np.reshape(-1),revel也可以，但是flatten用到最多就是把矩阵展开变成一维的
8 矩阵的基本运算
点乘
import numpy as npa=np.array([[1,2,3],[4,5,6],[7,8,9]])print(np.dot(a,[[2,2,2],[2,2,2],[2,2,2]]))print(a.dot([[2,2,2],[2,2,2],[2,2,2]]))输出 
这里我用了两种点乘的方法，输出结果一样。这里是矩阵与矩阵之间的相乘。
这里还有点需要注意的是，矩阵直接直接相乘是a*b，点乘是dot(a,b)，矩阵直接相乘也可以a*2这样可以直接将矩阵的数值扩大二倍。
转置
import numpy as npa=np.array([[1,2,3],[4,5,6],[7,8,9]])b=a.Tprint(a)print(b)输出
直接用a.T来实现，这里也是生成了一个副本不是对源数据进行修改
求逆
这里是求伪逆，不管这个矩阵有没有可逆，都可以求所以我们要验证下
import numpy as npa=[[1,2],[3,4]]b=np.linalg.inv(a)print(b)print(np.dot(a,b))输出
9 连接
import numpy as np# 生成基数组array1 = np.array([[1,2,3],[4,5,6]])array2 = np.array([[7,8,9],[10,11,12]])# 水平组合（沿列方向拼接）a3 = np.hstack((array1, array2)) # 水平拼接array1和array2a4 = np.hstack((array2, array1)) # 水平拼接array2和array1a5 = np.hstack((array1, array2, array1)) # 三数组水平拼接a6 = np.concatenate((array1, array2), axis=1) # 等价于vstackprint(a3)print(a4)print(a5)# 垂直组合（沿行方向拼接）a7 = np.vstack((array2, array1)) # 垂直拼接array2和array1print(a6)# 通用连接函数（axis=0为垂直方向）a8 = np.concatenate((array1, array2), axis=0) # 与vstack效果相同print(a8)输出
上面我们采用了三种方法，分别是三种方法一种垂直方向，一种水平方向，还有给用concatenate来实现。可以参照对应输出来看。
