1.numpy的导入以及查看版本

　　>>> import numpy as np

　　>>> print(np.__version__)

　　1.15.4

　　2.创建一维(或多维)数组

　　# 通过list初始化来创建

　　>>> np.array([1,2,3,4,5])

　　array([1, 2, 3, 4, 5])

　　# 通过arange方法生成

　　>>> np.arange(10)

　　array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

　　# 指定创建范围和步长

　　>>> np.arange(3,10,2)

　　array([3, 5, 7, 9])

　　# 二维(3,3)

　　>>> np.array([[1,2,3],[4,5,6],[7,8,9]])

　　array([[1, 2, 3],

　　[4, 5, 6],

　　[7, 8, 9]])

　　# 三维(2,2,2)

　　>>> np.array([[[1,3],[2,4]],[[3,6],[4,8]]])

　　array([[[1, 3],

　　[2, 4]],

　　[[3, 6],

　　[4, 8]]])

　　3.创建布尔数组

　　# 一维

　　>>> np.full(3, True, dtype=bool)

　　array([ True, True, True])

　　# 二维

　　>>> np.full((3, 3), True, dtype=bool)

　　array([[ True, True, True],

　　[ True, True, True],

　　[ True, True, True]])

　　4.从数组中提取(或替换)满足指定条件的元素

　　# 提取数组中的所有奇数

　　>>> arr = np.arange(10)

　　>>> arr[arr % 2 == 1]

　　array([1, 3, 5, 7, 9])

　　# 提取大于4的数

　　>>> arr[arr > 4]

　　array([5, 6, 7, 8, 9])

　　# 替换所有奇数为-1

　　>>> arr[arr % 2 == 1] = -1

　　>>> arr

　　array([ 0, -1, 2, -1, 4, -1, 6, -1, 8, -1])

　　5.改变数组的形状

　　>>> arr = np.arange(12)

　　>>> arr.reshape(2,6)

　　array([[ 0, 1, 2, 3, 4, 5],

　　[ 6, 7, 8, 9, 10, 11]])

　　# 设为-1维数会自动匹配

　　>>> arr.reshape(3,-1)

　　array([[ 0, 1, 2, 3],

　　[ 4, 5, 6, 7],

　　[ 8, 9, 10, 11]])

　　>>> arr.reshape(2,2,3)

　　array([[[ 0, 1, 2],

　　[ 3, 4, 5]],

　　[[ 6, 7, 8],

　　[ 9, 10, 11]]])

　　6.类型转换

　　>>> a = np.arange(10)

　　>>> a.dtype

　　dtype('int32')

　　# 转换为 str 类型

　　>>> a.astype(str)

　　array(['0', '1', '2', '3', '4', '5', '6', '7', '8', '9'], dtype='

　　# 转换为 float 类型

　　>>> a.astype(float)

　　array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

　　7.垂直合并数组

　　>>> a = np.arange(8).reshape(2,4)

　　>>> b = np.arange(8,12)

　　# 方法1

　　>>> np.vstack((a, b))

　　array([[ 0, 1, 2, 3],

　　[ 4, 5, 6, 7],

　　[ 8, 9, 10, 11]])

　　# 方法2

　　>>> np.row_stack((a,b))

　　array([[ 0, 1, 2, 3],

　　[ 4, 5, 6, 7],

　　[ 8, 9, 10, 11]])

　　# 方法3，注意 concatenate 垂直合并的两个数组维数要一致

　　>>> np.concatenate([a, b], axis=0)

　　Traceback (most recent call last):

　　File "", line 1, in

　　np.concatenate([a, b], axis=0)

　　ValueError: all the input arrays must have same number of dimensions

　　>>> np.concatenate([a, [b,b]], axis=0)

　　array([[ 0, 1, 2, 3],

　　[ 4, 5, 6, 7],

　　[ 8, 9, 10, 11],

　　[ 8, 9, 10, 11]])

　　# 方法4，合并的两个数组维数要一致

　　>>> np.r_[a,[b,b]]

　　array([[ 0, 1, 2, 3],

　　[ 4, 5, 6, 7],

　　[ 8, 9, 10, 11],

　　[ 8, 9, 10, 11]])

　　8.水平合并数组

　　>>> a = np.arange(8).reshape(2,4)

　　>>> b = np.arange(8,12).reshape(2,2)

　　# 方法1

　　>>> np.hstack((a,b))

　　array([[ 0, 1, 2, 3, 8, 9],

　　[ 4, 5, 6, 7, 10, 11]])

　　# 方法2

　　>>> np.column_stack((a,b))

　　array([[ 0, 1, 2, 3, 8, 9],

　　[ 4, 5, 6, 7, 10, 11]])

　　# 方法3

　　>>> np.concatenate([a, b], axis=1)

　　array([[ 0, 1, 2, 3, 8, 9],

　　[ 4, 5, 6, 7, 10, 11]])

　　# 方法4

　　>>> np.c_[a,b]

　　array([[ 0, 1, 2, 3, 8, 9],

　　[ 4, 5, 6, 7, 10, 11]])

　　9.保存和读取txt(或csv)

　　>>> filename = 'data.txt' # or filename = 'data.csv'

　　>>> a = np.arange(12).reshape(3,4)

　　# 保存：fmt 指定保存的数据类型，delimiter 指定分隔符

　　>>> np.savetxt(filename, a, fmt='%d', delimiter=',')

　　# 读取：dtype 指定读取后的类型，delimiter 指定分隔符

　　>>> np.loadtxt(filename, dtype=float, delimiter=',')

　　array([[ 0., 1., 2., 3.],

　　[ 4., 5., 6., 7.],

　　[ 8., 9., 10., 11.]])

　　10.数组的特殊运算

　　>>> a = np.arange(10)

　　>>> a.sum() # 求和

　　45

　　>>> a.max() # 求最大值

　　9

　　>>> a.min() # 求最小值

　　0

　　>>> a.mean() # 求平均值

　　4.5

　　>>> a.ptp() # 求数组中元素最大值与最小值的差

　　9

　　>>> np.median(a) # 求数组的中位数

　　4.5

　　>>> np.std(a) # 求数组的标准差

　　2.8722813232690143

　　>>> np.var(a) # 求数组的方差

　　8.25

　　>>> a ** 2 # a中每个数平方

　　array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81], dtype=int32)

　　>>> a.dot(a) # 点积运算，对应元素相乘后求和，返回一个标量

　　285

　　>>> a.dot(a.T) # a.T是a的转置，也可以用 a.transpose()

　　285

　　11.创建零矩阵、1矩阵、单位阵

　　>>> np.zeros((2, 3)) # 零矩阵

　　array([[0., 0., 0.],

　　[0., 0., 0.]])

　　>>> np.ones((4, 3)) # 1矩阵

　　array([[1., 1., 1.],

　　[1., 1., 1.],

　　[1., 1., 1.],

　　[1., 1., 1.]])

　　>>> np.identity(3) # 单位阵，也可以用 np.eye(3)

　　array([[1., 0., 0.],

　　[0., 1., 0.],

　　[0., 0., 1.]])

　　12.矩阵的特殊运算

　　(1)array内积运算np.dot()

　　# 一维内积，对应元素相乘后求和

　　>>> A=np.array([1, 2, 3])

　　>>> B=np.array([4, 5, 6])

　　>>> A.dot(B) # or A.dot(B.T)

　　32 无锡×××医院 https://yyk.familydoctor.com.cn/20612/

　　# 二维内积，矩阵A[m,n]的列数等于矩阵B[n,p]的行数，与线性代数的矩阵乘法相同(C[i,j] = sum(A[i,k] * B[k,i]), k in [i,n])

　　# 假设C=A·B，则C[1,1] = A[1,1]*B[1,1] + A[1,2]*B[2,1] + A[1,3]*B[3,1] = 1*2 + 2*2 + 3*2 = 12

　　>>> A=np.array([[1, 2, 3], [4, 5, 6]]) # (2, 3)

　　>>> B=np.array([[2, 3], [2, 3], [2, 3]]) # (3, 2)

　　>>> A.dot(B) # or np.dot(A, B)

　　array([[12, 18],

　　[30, 45]])

　　(2)array元素乘法运算np.multiply()

　　# 元素的乘法运算是矩阵指对应元素相乘，可以用np.multiply()，也可以直接写" * "运算符

　　# 元素的乘法运算要求两个矩阵的维数必须要一致

　　# 一维数组

　　>>> A=np.array([1, 2, 3])

　　>>> B=np.array([4, 5, 6])

　　>>> A * B

　　array([ 4, 10, 18])

　　>>> np.multiply(A, B)

　　array([ 4, 10, 18])

　　# 二维数组

　　>>> A = np.arange(8)

　　>>> A = A.reshape(2,4)

　　>>> A

　　array([[0, 1, 2, 3],

　　[4, 5, 6, 7]])

　　>>> A * A

　　array([[ 0, 1, 4, 9],

　　[16, 25, 36, 49]])

　　>>> np.multiply(A, A)

　　array([[ 0, 1, 4, 9],

　　[16, 25, 36, 49]])

　　(3)matrix乘法运算

　　# matrix乘法运算可使用np.matmul()，也可使用" * "运算符

　　# matrix乘法运算与array的二维内积相同，所以也可以用np.dot()

　　>>> MA = np.matrix([[1, 2, 3], [4, 5, 6]])

　　>>> MB = np.matrix([[2, 3], [2, 3], [2, 3]])

　　>>> MA

　　matrix([[1, 2, 3],

　　[4, 5, 6]])

　　>>> MB

　　matrix([[2, 3],

　　[2, 3],

　　[2, 3]])

　　>>> MA * MB

　　matrix([[12, 18],

　　[30, 45]])

　　>>> np.matmul(MA, MB) # or np.dot(MA, MB), MA.dot(MB)

　　matrix([[12, 18],

　　[30, 45]])

　　(4)笛卡尔积运算

　　# 笛卡尔积也称为直积，其实就是集合的映射关系，可以用itertools.product()来实现

　　# 比如A={a, b}，B={1,2,3}，则A和B的笛卡尔积为{(a,1), (a,2), (a,3), (b,1), (b,2), (b,3)}

　　>>> import itertools

　　>>> A = np.array(['a', 'b'])

　　>>> B = np.array([1, 2, 3])

　　>>> D = itertools.product(A, B)

　　>>> list(D) # 直接转list，list中每个元素为tuple类型

　　[('a', 1), ('a', 2), ('a', 3), ('b', 1), ('b', 2), ('b', 3)]

　　# 也可以通过循环来遍历D

　　>>> for d in D:

　　print(d)

　　('a', 1)

　　('a', 2)

　　('a', 3)

　　('b', 1)

　　('b', 2)

　　('b', 3)

　　待更新：

　　python数据分析系列(二)——Matplotlib的使用

　　python数据分析系列(三)——Scipy的使用