前言
学习数据分析，必绕不开numpy和pandas这两个库，numpy的ndarray数据结构和矩阵数据非常类似，最近搞科研的时候总是会用到，之前学的都忘记完了，所以，这次打算把numpy库的基本用法记录在一篇文章里，以便后面复习和使用。
ndarray多维数组创建
不要管复杂的概念，我们把多维数组看做成矩阵就行（实际使用中也是这样的），例如，下面的二维数据，我们就可以看做成2行3列的矩阵。
import numpy as np
b = np.array([[1,2,3],[4,5,6]])
print(b)
# [[1 2 3]
# [4 5 6]]
一切从创建说起
一个特定的数据结构，肯定有着特定的创建方式，例如列表我们就是通过[]来创建，字典我们用{}来创建。ndarray多维数组用numpy库的array方法来创建。
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
- object 数组或嵌套的数列（列表，元祖，数组，或者其他序列类型）
- dtype 数组元素的数据类型，可选
- copy 对象是否需要复制，可选
- order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
- subok 默认返回一个与基类类型一致的数组
- ndmin 指定生成数组的最小维度
# 1维数组
a = np.array([1,2,3])
print(a)
# [1,2,3]
# 2维数组
b = np.array([[1,2,3],[4,5,6]])
print(b)
# [[1 2 3]
# [4 5 6]]
# 指定数据类型
c = np.array([[1,2,3],[4,5,6]], dtype = np.float64)
print(c)
# reslut
[[1. 2. 3.]
[4. 5. 6.]]
特殊创建方式
numpy也提供了一些函数用于创建特殊的数组。
- zeros，全为0数组；
- ones，全为1数据；
- empty，垃圾值数组。
- full，填充任意值
数值范围创建数组
我们做循环的时候经常会用到range，可以取数值范围，numpy中有个arange函数，可用于创建数组。
arr4 = np.arange(9)
arr4
# [0, 1, 2, 3, 4, 5, 6, 7, 8]
这样创建的数组只能是一维的，arange函数经常和reshape一起使用（后面还会介绍），可以创建多维的数组。
arr5 = np.arange(9).reshape(3,3)
arr5
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
ndarray数据属性
属性我们常需要调用的就是ndim，shape和dtype。
- ndarray.ndim 秩，即轴的数量或维度的数量
- ndarray.shape 数组的维度，对于矩阵，n 行 m 列
- ndarray.size 数组元素的总个数，相当于 .shape 中 n*m 的值
- ndarray.dtype ndarray 对象的元素类型
- ndarray.itemsize ndarray 对象中每个元素的大小，以字节为单位
- ndarray.flags ndarray 对象的内存信息
- ndarray.real ndarray元素的实部
- ndarray.imag ndarray 元素的虚部
- ndarray.data 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元- 素，所以通常不需要使用这个属性。
arr5 = np.arange(9).reshape(3,3)
print(arr5.ndim)
print(arr5.shape)
print(arr5.dtype)
2
(3, 3)
int64
改变数组数据类型
这个我们经常会用到，例如我们把整数数组转换为浮点数数组，使用astype方法，用np.float64和'float64'都可以。
切片和索引
这部分内容非常重要，我们经常要选取特定的部分数据来操作，这里就必须要用到切片和索引。
小试牛刀
和列表的切片和索引很类似，都是从0开始计数，一维数组很简单，也很好理解（和列表一样操作就行），这里就不多介绍了。
二维数组，选取数据无非就以下几种情况，选取特定的行，特定的列，或者组合，我们来看看怎么写。
特定行
特定列
特定的行和列，这部分就有点不一样了，如果行或者列中有切片，就能得到我们想要的结果，例如获取2,3行以及1，3列。
如果我们想要获取1,3行以及1,3列，用这种写法结果就不对。
这其实获取的是第一行第一列以及第三行第三列的值，这时候我们就需要用到花式索引。
花式索引
要使用np.ix_来完成。
其实不用这样写也可以，就是稍微复杂一点。我们先选取第一行和第三行，选完之后，再选取列。
布尔索引
还有一个很重要的概念，就是布尔索引。
这里有两个函数需要介绍下，一个是all，一个是any，all是都为True，就返回True，any是一个为True，就返回True。
数组操作
修改数组形状
之前我们简单了解过reshape方法，可以改变数组的形状。通过flatten或者ravel可以将数组从新进行展开。
合并和分割数组
合并数组主要有以下几种方法：
- concatenate 连接沿现有轴的数组序列
- stack 沿着新的轴加入一系列数组。
- hstack 水平堆叠序列中的数组（列方向）
- vstack 竖直堆叠序列中的数组（行方向）
axis参数就是制定轴的方向，很多numpy函数都有这个参数，但是这个轴又不是很好理解，网上有很多的解释，我这里说一个很简单的解释。例如二维数组，我们索引的时候arr[i,j]，i就代表0，j就代表1，也就是说，行的方向就是0，列的方向就是1。
分割数组的函数为：
- split 将一个数组分割为多个子数组
- hsplit 将一个数组水平分割为多个子数组（按列）
- vsplit 将一个数组垂直分割为多个子数组（按行）
numpy.split(ary, indices_or_sections, axis)
- ary：被分割的数组
- indices_or_sections：如果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）
- axis：设置沿着哪个方向进行切分，默认为 0，横向切分，即水平方向。为 1 时，纵向切分，即竖直方向
修改数组
- resize 返回指定形状的新数组
- append 将值添加到数组末尾
- insert 沿指定轴将值插入到指定下标之前
- delete 删掉某个轴的子数组，并返回删除后的新数组
- unique 查找数组内的唯一元素
这里要注意的是，如果不指定轴修改数组，会返回一维数组。
numpy.unique 函数用于去除数组中的重复元素。
numpy.unique(arr, return_index, return_inverse, return_counts)
- arr：输入数组，如果不是一维数组则会展开
- return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储
- return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储
- return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数
翻转数组
- transpose 对换数组的维度
- ndarray.T 和 self.transpose() 相同
- rollaxis 向后滚动指定的轴
- swapaxes 对换数组的两个轴
numpy.rollaxis 函数向后滚动特定的轴到一个特定位置，格式如下：
numpy.rollaxis(arr, axis, start)
参数说明：
arr：数组
axis：要向后滚动的轴，其它轴的相对位置不会改变
start：默认为零，表示完整的滚动。会滚动到特定位置。
numpy.swapaxes 函数用于交换数组的两个轴。
数学和统计函数
numpy 包含大量的各种数学运算的函数，包括三角函数，算术运算的函数，复数处理函数等。这里就不一一介绍了，我们着重了解下复数处理函数。
numpy.around() 函数返回指定数字的四舍五入值。
numpy.around(a,decimals)
numpy.floor() 返回小于或者等于指定表达式的最大整数，即向下取整。
numpy.ceil() 返回大于或者等于指定表达式的最小整数，即向上取整。
算数函数
这里不一一介绍了，大家需要用到的时候自查即可。
- add，相加
- subtract，相减
- multiply，相乘
- divide，相除
- reciprocal，函数返回参数逐元素的倒数。如 1/4 倒数为 4/1
- power，第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂
- mod，计算输入数组中相应元素的相除后的余数。 函数 numpy.remainder() 也产生相同的结果。
统计函数
numpy 提供了很多统计函数，用于从数组中查找最小元素，最大元素，百分位标准差和方差等。sum，average等等，可以去numpy的官方文档了解更多。
条件函数
numpy.where() 函数返回输入数组中满足给定条件的元素的索引。
numpy.extract() 函数根据某个条件从数组中抽取元素，返回满条件的元素。
文件的存储与读取
- 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。
- savez() 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)。
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.loadtxt(FILENAME, dtype=int, delimiter=' ')
np.savetxt(FILENAME, a, fmt="%d", delimiter=",")
总结
numpy是Python数据科学必学的第三方库，但是说实话，一上来就学numpy其实是很痛苦的，他不像pandas那么直观，有很多实际的有趣的案例，所以本篇文章主要是将numpy的基础语法记录下来，供大家和自己以后查询所使用，最后附上numpy小抄给大家，我们下期再见。
