一、Numpy數組基本用法
1、Numpy是Python科學計算庫，用於快速處理任意維度的數組。
2、NumPy提供一個N維數組類型ndarray，它描述了相同類型的“items”的集合。
3、numpy.ndarray支持向量化運算。
4、NumPy使用c語言寫的，底部解除了GIL，其對數組的操作速度不在受python解釋器限制。
二、numpy中的數組：
Numpy中的數組的使用跟Python中的列表非常類似。他們之間的區別如下：
1、一個列表中可以存儲多種數據類型。比如a = [1,'a']是允許的，而數組只能存儲同種數據類型。
2、數組可以是多維的，當多維數組中所有的數據都是數值類型的時候，相當於線性代數中的矩陣，是可以進行相互間的運算的。
三、創建數組（np.ndarray對象）：
Numpy經常和數組打交道，因此首先第一步是要學會創建數組。在Numpy中的數組的數據類型叫做ndarray。以下是兩種創建的方式：
1、根據Python中的列表生成：
import numpy as np
a1 = np.array([1,2,3,4])
print(a1)
print(type(a1))
2、使用np.arange生成，np.arange的用法類似於Python中的range：
import numpy as np
a2 = np.arange(2,21,2)
print(a2)
3、使用np.random生成隨機數的數組：
a1 = np.random.random(2,2) # 生成2行2列的隨機數的數組
a2 = np.random.randint(0,10,size=(3,3)) # 元素是從0-10之間隨機的3行3列的數組
4、使用函數生成特殊的數組：
import numpy as np
a1 = np.zeros((2,2)) #生成一個所有元素都是0的2行2列的數組
a2 = np.ones((3,2)) #生成一個所有元素都是1的3行2列的數組
a3 = np.full((2,2),8) #生成一個所有元素都是8的2行2列的數組
a4 = np.eye(3) #生成一個在斜方形上元素為1，其他元素都為0的3x3的矩陣
四、ndarray常用屬性：
ndarray.dtype：
因為數組中只能存儲同一種數據類型，因此可以通過dtype獲取數組中的元素的數據類型。以下是ndarray.dtype的常用的數據類型：
| 數據類型 | 描述 | 唯一標識符 |
|---|---|---|
| bool | 用一個字節存儲的布爾類型（True或False） | 'b' |
| int8 | 一個字節大小，-128 至 127 | 'i1' |
| int16 | 整數，16 位整數(-32768 ~ 32767) | 'i2' |
| int32 | 整數，32 位整數(-2147483648 ~ 2147483647) | 'i4' |
| int64 | 整數，64 位整數(-9223372036854775808 ~ 9223372036854775807) | 'i8' |
| uint8 | 無符號整數，0 至 255 | 'u1' |
| uint16 | 無符號整數，0 至 65535 | 'u2' |
| uint32 | 無符號整數，0 至 2 ** 32 - 1 | 'u4' |
| uint64 | 無符號整數，0 至 2 ** 64 - 1 | 'u8' |
| float16 | 半精度浮點數：16位，正負號1位，指數5位，精度10位 | 'f2' |
| float32 | 單精度浮點數：32位，正負號1位，指數8位，精度23位 | 'f4' |
| float64 | 雙精度浮點數：64位，正負號1位，指數11位，精度52位 | 'f8' |
| complex64 | 復數，分別用兩個32位浮點數表示實部和虛部 | 'c8' |
| complex128 | 復數，分別用兩個64位浮點數表示實部和虛部 | 'c16' |
| object_ | python對象 | 'O' |
| string_ | 字符串 | 'S' |
| unicode_ | unicode類型 | 'U' |
我們可以看到，Numpy中關於數值的類型比Python內置的多得多，這是因為Numpy為了能高效處理處理海量數據而設計的。舉個例子，比如現在想要存儲上百億的數字，並且這些數字都不超過254（一個字節內），我們就可以將dtype設置為int8，這樣就比默認使用int64更能節省內存空間了。類型相關的操作如下：
1、默認的數據類型：
import numpy as np
a1 = np.array([1,2,3])
print(a1.dtype)
# 如果是windows系統，默認是int32
# 如果是mac或者linux系統，則根據系統來
2、指定
dtype：
import numpy as np
a1 = np.array([1,2,3],dtype=np.int64)
# 或者 a1 = np.array([1,2,3],dtype="i8")
print(a1.dtype)
3、修改
dtype：
import numpy as np
a1 = np.array([1,2,3])
print(a1.dtype) # window系統下默認是int32
# 以下修改dtype
a2 = a1.astype(np.int64) # astype不會修改數組本身，而是會將修改后的結果返回
print(a2.dtype)
ndarray.size：
獲取數組中總的元素的個數。比如有個二維數組：
import numpy as np
a1 = np.array([[1,2,3],[4,5,6]])
print(a1.size) #打印的是6，因為總共有6個元素
ndarray.ndim：
數組的維數。比如：
a1 = np.array([1,2,3])
print(a1.ndim) # 維度為1
a2 = np.array([[1,2,3],[4,5,6]])
print(a2.ndim) # 維度為2
a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(a3.ndim) # 維度為3
ndarray.shape：
數組的維度的元組。比如以下代碼：
a1 = np.array([1,2,3])
print(a1.shape) # 輸出(3,)，意思是一維數組，有3個數據
a2 = np.array([[1,2,3],[4,5,6]])
print(a2.shape) # 輸出(2,3)，意思是二位數組，2行3列
a3 = np.array([
[
[1,2,3],
[4,5,6]
],
[
[7,8,9],
[10,11,12]
]
])
print(a3.shape) # 輸出(2,2,3)，意思是三維數組，總共有2個元素，每個元素是2行3列的
a44 = np.array([1,2,3],[4,5])
print(a4.shape) # 輸出(2,)，意思是a4是一個一維數組，總共有2列
print(a4) # 輸出[list([1, 2, 3]) list([4, 5])]，其中最外面層是數組，里面是Python列表
另外，我們還可以通過ndarray.reshape來重新修改數組的維數。示例代碼如下：
a1 = np.arange(12) #生成一個有12個數據的一維數組
print(a1)
a2 = a1.reshape((3,4)) #變成一個2維數組，是3行4列的
print(a2)
a3 = a1.reshape((2,3,2)) #變成一個3維數組，總共有2塊，每一塊是2行2列的
print(a3)
a4 = a2.reshape((12,)) # 將a2的二維數組重新變成一個12列的1維數組
print(a4)
a5 = a2.flatten() # 不管a2是幾維數組，都將他變成一個一維數組
print(a5)
注意，reshape並不會修改原來數組本身，而是會將修改后的結果返回。如果想要直接修改數組本身，那么可以使用resize來替代reshape。
ndarray.itemsize：
數組中每個元素占的大小，單位是字節。比如以下代碼：
a1 = np.array([1,2,3],dtype=np.int32)
print(a1.itemsize) # 打印4，因為每個字節是8位，32位/8=4個字節
jupyter：
總結：
1、數組一般達到3維就已經很復雜了，不太方便計算了，所以我們一般都會把3維以上的數組轉換成2維數組來計算
2、通過ndarray.ndim可以看到數組的維度
3、通過ndarray.shape可以看到數組的形狀(幾行幾列)，shape是一個元組，里面又幾個元素代表是幾維數組
4、通過ndarray.reshape可以修改數組的形狀。條件只有一個，就是修改后的形狀的元素個數必須和原來一致。
reshape不會修改原來數組的形狀，只會將修改完的結果返回
5、通過ndarray.size可以看到數組有多少個元素。
6、通過ndarray.itemsize可以看到數組中的每個元素所占內存的大小，單位是字節（一個字節 = 8個單位）