前言：学习数据分析在我们有了Python基础之后，我们需要对数据进行处理，创建数据、访问数据、做数据运算等。所以需要我们先学习Numpy第三方库，所以需要我们在环境装安装pip install numpy。
此行替换为```即可
一、Numpy概述
numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
二、Ndarray对象
最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
创建一个 ndarray 只需调用 NumPy 的 array函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
实例：
import numpy as np
print('一维数组的创建')
a = np.array([1,2,3])
print (a)
print('多维数据的创建')
b = np.array([[1, 2], [3, 4]])
print (b)
print('最小维度参数ndmin')
c = np.array([1, 2, 3,4,5], ndmin = 2)
print (c)
print('dtype 参数')
d = np.array([1, 2, 3], dtype = complex)
print (d)
结果：
三、NumPy 数组属性
本节我们将来了解 NumPy 数组的一些基本属性。
实例：
a = np.arange(12)
print (a.ndim,'打印出a的维度 现只有一个维度')
print(a)
# 现在调整其大小
b = a.reshape(2,2,3)
print(b)
print (b.ndim,'打印出b的维度 现在拥有三个维度')
结果：
实例：
a = np.array([[1,2,3],[4,5,6]])
print (a.shape,'打印出数组的维度行，列数')
b = a.reshape(3,2) #调整数组大小
print(b,'调整后的结果',b.shape)
c = b.size #得到数组元素总个数
print(c)
结果：
四、NumPy 创建数组
在第二节我们讲了ndarray 数组除了可以使用array()构造器来创建外
numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组：
numpy.empty(shape, dtype = float, order = 'C')
实例：
import numpy as np
x = np.empty([3,2], dtype = int)
print (x)
结果：
numpy.zeros()
创建指定大小的数组，数组元素以 0 来填充：
numpy.zeros(shape, dtype = float, order = 'C')
实例：
import numpy as np
# 默认为浮点数
x = np.zeros(5)
print(x,'x的结果')
# 设置类型为整数
y = np.zeros((5,), dtype = np.int)
print(y,'y的结果')
# 自定义类型
z = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])
print(z,'z的结果')
结果：
numpy.ones()
创建指定形状的数组，数组元素以 1 来填充：
numpy.ones(shape, dtype = None, order = 'C')
实例：
import numpy as np
# 默认为浮点数
x = np.ones(5)
print(x,'x的结果')
# 自定义类型
y = np.ones([2,2], dtype = int)
print(y,'y的结果')
结果：
接下来是NumPy 从数值范围创建数组
numpy.arange()
numpy 包中的使用 arange函数创建数值范围并返回 ndarray 对象，函数格式如下：
numpy.arange(start, stop, step, dtype)
实例：
import numpy as np
#x数组生成1到5的数组
x = np.arange(5)
#y数组设置了起始值、终止值及步长：
y = np.arange(10,20,2)
print (x,'x的数组')
print (y,'y的数组')
结果：
numpy.linspace()
numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
实例：
import numpy as np
#x用到三个参数，设置起始点为 1 ，终止点为 10，数列个数为 10。
x = np.linspace(1,10,10)
print(x,'x的值')
#y设置全部是1的等差数列
y = np.linspace(1,1,10)
print(y,'y的值')
#z不包含终止值20
z = np.linspace(10,20,5,endpoint = False)
print(z,'z的值')
结果：
五、NumPy值的访问（切片和索引）
- 对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。
- ndarray 数组可以基于
0 - n的下标进行索引，切片对象可以通过内置的slice函数，并设置start, stop 及 step参数进行，从原数组中切割出一个新数组。
实例：
import numpy as np
#我们通过冒号分隔切片参数和python列表一样 start:stop:step 来进行切片操作
a = np.arange(10)
b = a[2:7:2] # 从索引 2 开始到索引 7 停止，间隔为 2
print(b,'b的值')
#多维数组同样适应索引和切片操作
c = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(c,'c的值')
# 从某个索引处开始切割
print('从数组索引 a[1:] 处开始切割')
print(c[1:],'c切片的值')
结果：
实例：
import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
print(b)
结果：
六、NumPy 数组运算
如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。
实例：
import numpy as np
a = np.array([1,2,3,4])
b = np.array([10,20,30,40])
c = a * b
print (c)
结果：
- 总结：数组的简单加减乘除运算满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。
七、NumPy IO
- Numpy 可以读写磁盘上的文本数据或二进制数据。
- NumPy 为 ndarray 对象引入了一个简单的文件格式：npy。
- npy 文件用于存储重建 ndarray 所需的数据、图形、dtype 和其他信息。
常用的 IO 函数有：
load() 和 save() 函数是读写文件数组数据的两个主要函数，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为 .npy 的文件中。
savze() 函数用于将多个数组写入文件，默认情况下，数组是以未压缩的原始二 进制格式保存在扩展名为 .npz 的文件中。
loadtxt() 和 savetxt() 函数处理正常的文本文件(.txt 等)
numpy.save()
numpy.save() 函数将数组保存到以.npy为扩展名的文件中。
numpy.save(file, arr, allow_pickle=True, fix_imports=True)
实例：
import numpy as np
a = np.array([1,2,3,4,5])
# 保存到 outfile.npy 文件上
np.save('outfile.npy',a)
# 保存到 outfile2.npy 文件上，如果文件路径没有扩展名 .npy，该扩展名会被自动加上
np.save('outfile2',a)
- 查看时是乱码，因为它们是 Numpy 专用的二进制格式后的数据。我们可以使用 load() 函数来读取数据就可以正常显示了：
实例：
import numpy as np
b = np.load('outfile.npy')
print (b)
np.savez()
numpy.savez() 函数将多个数组保存到以npz为扩展名的文件中。
numpy.savez(file, *args, **kwds)
实例：
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = np.arange(0, 1.0, 0.1)
c = np.sin(b)
# c 使用了关键字参数 sin_array
np.savez("runoob.npz", a, b, sin_array = c)
r = np.load("runoob.npz")
print(r.files) # 查看各个数组名称
print(r["arr_0"]) # 数组 a
print(r["arr_1"]) # 数组 b
print(r["sin_array"]) # 数组 c
结果：
savetxt()
savetxt()函数是以简单的文本文件格式存储数据，对应的使用 loadtxt() 函数来获取数据。
np.savetxt(FILENAME, a, fmt="%d", delimiter=",")
np.loadtxt(FILENAME, dtype=int, delimiter=' ')
- 参数
delimiter可以指定各种分隔符、针对特定列的转换器函数、需要跳过的行数等。
实例：
mport numpy as np
a = np.array([1,2,3,4,5])
np.savetxt('out.txt',a)
b = np.loadtxt('out.txt')
print(b)
结果：
使用 delimiter 参数实例：
import numpy as np
a=np.arange(0,10,0.5).reshape(4,-1)
np.savetxt("out.txt",a,fmt="%d",delimiter=",") # 改为保存为整数，以逗号分隔
b = np.loadtxt("out.txt",delimiter=",") # load 时也要指定为逗号分隔
print(b)
结果：
