ndarray简介

    多维数组对象（ndarray）在运算上非常灵活，同长度的数组之间运算为各对应元素间的运算，而数组与标量间的运算，则会把标量应用至数组内的每个元素。

     一个ndarray 内所有元素类型一致

ndarray创建

    np.array() 及np.asarray 可以接受格式各样的数据，列表字典数组或其它序列类型

    np.array()及np.asarray()间的区别在于，当传入的数据本身为一个数组时np.asarray()是不会对其复制的。（暂时没想明白asarray这种特性使用的实际场景）

    np.zero(), np.ones(), np.empty() 分别创建全0，全1，全空的数组（空不是0）。此外还有np.ones_like()等用于以其它对象限定shape。

    np.arange() 与np.array(range()) 结果一致，但是range的步长为小数时会报错。

ndarray数据类型

     这一部分感觉不需要了解太多，用一般的数据类型int, float, str, bool就可以，python会帮你匹配好对应格式。

    使用astype可以转换dtype。（创建新的数组，不管dtype有没有变，跟前文np.array是一样的）

    当数组本身为float类型时，使用astype转换则小数部分会被去除。

    如果数组为str类型，而表示的全是数字，可用astype转换为数值。（就是excel里文本类型单元格的转换为数字功能）

ndarray基本索引及切片

    ndarray的切片可直接赋值一个标量，广播到整个切片，这是list无法做到的。

    数组的切片是一个视图，对其做的任何改变都会反映在原数组上，而list的切片则是副本，如果要对数组复制为副本，则需使用copy()。

    注意上例中以b[:] 来表示对b的切片选取，直接写b = 2的话是直接重新定义变量b。

    高维数组的索引切片：

    简单的理解，高维数组的索引是从高维到低维选取的。

    实际上a[1,2] 的选取是等价于 a[1][2]的。

    布尔值索引

    之前提到的索引方式都是基于数据所在位置进行选取，工作中遇到的很多条件筛选是基于判断的，比如说大于100，或者说是否是17年内的。这种时候需要用布尔值索引选取。

    比如一组数中选取大于100的。

    本质是a > 100 本身产生了一组布尔值的数组，随后a[a > 100]选取了True索引对应的值。比如说我又另一组50个的数组b，则可以选取这个a > 100的条件，去看看对应的b的值是多少。

    这里顺便提一下，书上P93上的图4-2，其中shape那里有几个shape是(3,)这样表示的，可能会感到疑惑，我这个shape明明是一维的呀。实际上这是因为shape是tuple,而tuple是不能接受(3)这种形式的，否则就是产生数字（list就没有这种限制）。当然，你可以使用tuple([3])，这样的话产生的结果就是(3,)。

    书上94页在否定这里写的是负号表示条件否定，现在被波浪号替代了，记得用括号把条件圈起来，尤其是涉及& | 的时候务必看清楚。（and or 在布尔型数组中无效）

    此处注意，通过布尔型选出的数据，为数据副本。

花式索引

    在一维上，花式索引实际上就是指可以不连续、无顺序的取多个索引值。

    对于多维数组，花式索引为索引元素间一一对应的选取。看文字可能比较难以理解，其实看代码表现形式就很容易。

    很容易理解，此处选取的即[1,2], [3,4], [5,6] 三个数。而如果想要1,3,5行和2,4,6行的交叉取出的矩形，则应把行列分开选取：

    或者使用np.ix_（跟pandas中的ix相似）

    花式索引的结果为副本。

数组转置与轴对换

    二维的转置比较简单，很容易理解。

    对于多维数组的转置，感觉书上写的不是很清楚。其实就是把原有的轴重新排序，比如说一个三维数组，他的原有的轴就是(0,1,2), 转置为(1,0,2)时， 即把原先索引为(2,1,3)的数，转移到(1,2,3)的位置上。而直接使用T属性，即为转置为反向索引(0,1,2)转置为(2,1,0)

    看a.transpose((0, 2, 1)的输出结果可以看到，最高纬度不变，二三维做了个转置。

    T即所有轴反向排列。   

    ndarray 的swapaxes方法，接受一对轴编号，将这两个轴互换。

    注意：所有的转置操作都是返回一个源数据的视图。

通用函数

    通用函数就是应用于整个数组内的所有元素的函数，这个跟人的思维习惯比较相符，你写代码的时候肯定更愿意写abs(array) 而不是 nd.array([abs(i) for i in array])

    具体函数名称不用多看，根据需求在遇到的时候搜索下即可。

利用数组进行数据处理

    这里有个很方便的函数：np.where，使用方式跟excel的if一致，很实用。

    布尔值在数学计算中会被强制转换为0、1，所以可以通过这个特性直接给筛选值计数。

    ndarray的排序和list一样，可以通过sort方法就地排序。

    若只想创建一个副本，则需要使用函数np.sort

唯一化及其它集合逻辑

    去重：unique

    选取交集：intersect1d

    选取并集：union1d

    查看从属关系（元素）：in1d(x,y)  x中的元素在y中是否包含的布尔数组。

    选取集合差：setdiff1d(x, y)  在x中，不在y中的元素集合。

    选取集合对称差：setxor1d(x, y) 在一个集合，且不在另一集合的元素集合。

文件输入输出

    np.save保存单数组，np.savez保存多数组。save保存后缀默认npy，savez默认保存后缀npz，savez保存的时候将数组类似于字典进行保存。

    用np.load读取npz文件时，输出结果为一段内存代码，需要通过索引调取的形式展示内容。

线性代数

        之前提过，shape相同的ndarray之间的加减乘除是元素级的，如果想要对矩阵进行点积，则要使用dot函数。

随机数

        np.random.seed()，书上的说法是确定随机数生成器的种子。举个例子，我每次输入np.random.randn(5),每次产生的数组是不一致的。而每次输入np.random.seed(5);np.random.randn(5) 产生的结果会是一模一样的。但要注意，在每次产随机数前都加上seed，否则除第一组随机数外，后续的随机数并不由seed指定。

        np.random.permutation，接受一个序列或一个数字（数字其实默认代表的np.arange(x)），对其重排，不会影响原有序列。shuffle只能接受序列，就地随机排列。

        np.random.rand产生均匀分布样本值，np.random.randint产生范围内整数随机值，np.random.randn产生正态分布样本值。np.random.normal也产生正太分布，主要区别在于normal可调节scale，即正太分布那个峰的胖瘦。

np.random.randn(5)实际上与np.random.normal(loc = 0, scale = 1,size = (1, 5)) 是一致的。np.random.uniform产生设定上下限的均匀分布样本值。np,random.rand(5) 与 np.random.uniform(low = 0, high = 1, size = (1, 5))一致。

随机漫步

        这个地方不难理解，照着书上敲就可以明白。书中xrange在python3里被整合到range去了，还有书中random.randint(0, 1)不知道在python2中是否取值是[0,1]中的整数，在python3中，取值是[0,1)，这样会导致照着书得到的结果是一条斜率为-1的直线，改成random,randint(0, 2)就好了。另外可以学习下这里if的用法，比较简便一些。

.