數組的創建
import numpy as np
arr1 = np.array([3,10,8,7,34,11,28,72])
arr2 = np.array(((8.5,6,4.1,2,0.7),(1.5,3,5.4,7.3,9),
(3.2,3,3.8,3,3),(11.2,13.4,15.6,17.8,19)))
print('一維數組: \n',arr1)
print('二維數組: \n',arr2)
如上述所示，可以將列表和元組轉換為一個數組，在第二個數組中，輸入的元素含有整數型和浮點型兩種數據類型，但輸出的數組
元素全部是浮點型（原來的整型被強制轉換為浮點型了，保證數組元素的一致性）
數組元素的獲取
import numpy as np
arr1 = np.array([3,10,8,7,34,11,28,72])
arr2 = np.array(((8.5,6,4.1,2,0.7),(1.5,3,5.4,7.3,9),
(3.2,3,3.8,3,3),(11.2,13.4,15.6,17.8,19)))
print('一維數組: \n',arr1)
print('二維數組: \n',arr2)
print(arr1[[2,3,5,7]]) #數組1的3 4 6 8個元素
print(arr2[1,2]) #二維數組的第2行第3列的元素 輸出的是具體的數值
print(arr2[2,:]) #二維數組的第3行所有數據
print(arr2[:,1]) #二維數組的第2列所有數組
print(arr2[1:4,1:5]) #二維數組的第2-4行，2-5列的數據 這個地方要注意的，不是分別顯示2行5列和2行6列的數據
print(arr2[[0,1],[2,3]]) #對比一下上面的表達，這個表達要比較注意，表示的是 0 2 第1行第3列的數據，和 1 3第2行第4列的數據輸 #出的是 [4.1,7.3] 組成的一維數組
print(arr2[np.ix_([0,-1],[1,3])]) #第1行第2列，第1行第4列 ；最后一行第2列，最后一行第4列 組成的二維數組
print(arr2[np.ix_([0,-1],[1,2,3])]) #第1行第2列，第1行第3列，第1行第4列；最后一行第2列，最后一行第3列，最后一行第4列 組成的二維 #數組
out:
[[ 6. 4.1 2. ] [13.4 15.6 17.8]]
數組的常用屬性
如果不是手工寫入的數組，而是從外部讀入的數據，此時也許對數據就是一無所知，如該數據的維數，行列數，數據類型等信息，下面通過簡短的代碼來了解數組的幾個常用屬性，進而跨出了解數據的第一步。
在numpy模塊中，可以通過genfromtxt函數讀取外部文文件的數據，這里的文本文件主要為csv文件和txt文件。關於該函數的語法和重要參數含義如下：
np.genfrom xt(fname,dtype=<class 'float' >,
comments = '#',delimiter = None,skip_header = 0,
skip_footer=0,converters=None,missing
_values=None,filling_values=None,usecols=None,
names=None.)
fname:指定需要讀入數據的文件路徑。
dtype:指定讀入數據的數據類型，默認為浮點型，如果原數據集中含有字符型數據，必須指定數據類型為“str”
comments:指定注釋符，默認為“#”，如果原數據的行首有“#”，將忽略這些行的讀入。
delimiter:指定數據集的列分割符
skip_footer:是否跳過數據集的腳注，默認不跳過
converters：將指定列的數據轉換成其他數值。
miss_values:指定缺失值的標記，如果原數據集含指定的標記，讀入后這樣的數據就為缺失值。
filling_values:指定缺失值的填充值。
usecols:指定需要讀入哪些列。
names：為讀入數據的列設置列名稱。
例：
import numpy as np
stu_score = np.genfromtxt(fname = r'D:\BaiduNetdiskDownload\從零開始學Python--數據分析與挖掘\第4章 Python數值計算工具--Numpy\stu_score.txt',
delimiter='\t',skip_header=1)
print(type(stu_score)) #查看數據結構
print(stu_score.ndim) #查看數據維數
print(stu_score.shape) #查看數據行列數
print(stu_score.dtype) #查看數組元的數據類型
print(stu_score.size) #查看數組元素的個數
out：
<class 'numpy.ndarray'> 2 (1380, 5) float64 6900
數組的形狀處理
數組形狀處理的手段主要有reshape，resize，ravel，flatten，vstack，hstack,row_stack和colum_stack,下面通過簡單的案例
來解釋這些‘方法’或函數的區別。
arr3 = np.array([[1,5,7],[3,6,1],[2,4,8],[5,8,9],[1,5,9],[8,5,2]])
print(arr3.shape) #操作前數組的行列數
print(arr3.reshape(2,9)) #使用reshpe方法更改數組的形狀
print(arr3.shape) #確認一下原數組的形狀有沒有被改變
print(arr3.resize(2,9)) #使用resize方法改變數組的形狀
print(arr3.shape)
out:
(6, 3) [[1 5 7 3 6 1 2 4 8] [5 8 9 1 5 9 8 5 2]] (6, 3) None (2, 9)
因此得出：reshape方法不改變原有數組的形狀，resize方法改變了原有數組的形狀；實際上reshape方法只是返回改變形狀后的預覽，而resize方法不返回預覽，會直接改變數組的形狀。
如果需要將多維數組降為一維數組，利用ravel，flatten和reshape三種方法均可以輕松解決。
例：
import numpy as np
arr4 = np.array([[1,10,100],[2,20,200],[3,30,300]])
print('原數組：\n',arr4)
#默認排序降維
print('數組維度：\n',arr4.ravel())
print(arr4.flatten())
print(arr4.reshape(-1))
#改變排序模式的降維
print(arr4.ravel(order = 'F'))
print(arr4.flatten(order = 'F'))
print(arr4.reshape(-1,order = 'F'))
out:
原數組： [[ 1 10 100] [ 2 20 200] [ 3 30 300]] 數組維度： [ 1 10 100 2 20 200 3 30 300] [ 1 10 100 2 20 200 3 30 300] [ 1 10 100 2 20 200 3 30 300] [ 1 2 3 10 20 30 100 200 300] [ 1 2 3 10 20 30 100 200 300] [ 1 2 3 10 20 30 100 200 300]
import numpy as np
arr4.flatten()[0] = 2000
print('flatten方法：\n',arr4)
arr4.ravel()[1] = 1000
print('ravel方法：\n',arr4)
arr4.reshape(-1)[2] = 3000
print('reshape 方法：\n',arr4)
out:
flatten方法： [[ 1 10 100] [ 2 20 200] [ 3 30 300]] ravel方法： [[ 1 1000 100] [ 2 20 200] [ 3 30 300]] reshape 方法： [[ 1 1000 3000] [ 2 20 200] [ 3 30 300]]
如上結果所示,通過flatten方法實現的降維返回的是復制,因為對降維后的元素做修改,並沒有影響到原數組arr4的結果;相反,ravel方法與reshape方法返回的則是視圖,通過對視圖的改變,是會影響到原數組arr4的.
vastack用於垂直方向(縱向)的數組堆疊,其功能與row_stack函數一致,而hstack則用於水平方向(橫向)的數組合並,其功能與colum_stack函數一致,下面通過例子說明差異:
import numpy as np
arr5 = np.array([1,2,3])
print('vstack縱向堆疊數組:\n',np.vstack([arr4,arr5]))
print('row_stack縱向堆疊數組:\n',np.row_stack([arr4,arr5]))
arr6 = np.array([[5],[15],[25]])
print('hstack橫向合並數組:\n',np.hstack([arr4,arr6]))
print('column_stack橫向合並數組:\n',np.column_stack([arr4,arr6]))
out:
vstack縱向堆疊數組: [[ 1 1000 3000] [ 2 20 200] [ 3 30 300] [ 1 2 3]] row_stack縱向堆疊數組: [[ 1 1000 3000] [ 2 20 200] [ 3 30 300] [ 1 2 3]] hstack橫向合並數組: [[ 1 1000 3000 5] [ 2 20 200 15] [ 3 30 300 25]] column_stack橫向合並數組: [[ 1 1000 3000 5] [ 2 20 200 15] [ 3 30 300 25]]
如上結果所示,前兩個輸出是縱向堆疊的效果,后兩個則是橫向合並的效果.如果是多個數組的縱向堆疊,必須保證每個數組的列數相同.如果將多個數組按橫向合並的話,則必須保證每個數組的行數相同.