最后一次更新日期： 2019/3/7
NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象(ndarray)和用于处理数组的例程集合组成的库。
使用NumPy，开发人员可以执行以下操作：
- 数组的算数和逻辑运算。
- 傅立叶变换和用于图形操作的例程。
- 与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。
使用前先导入模块：
import numpy as np
1. 从已有数据创建
(1). 从list创建
#一维数组
a1=np.array([1,2])
#二维数组
a2=np.array([[1.,2.],[3.,4.]])
#三维数组
a3=np.array([[[1,2],[3,4]],[[5,6],[7,8]]],dtype='float')
#以此类推
从嵌套的序列结构创建多维数组时，最外面的一层对应数组第一个轴，以此类推。
第二个参数dtype可以显式声明数组的数据类型，可传入dtype或type(python基础数据类型或numpy数据类型)或与dtype对应的字符串标识，不声明的情况下会根据传入数据自动采用最合适的数据类型。
(2). 从tuple创建
a=np.array((1,2))
与list是一样，list与tuple的嵌套同理。
(3). 从dict创建(不合适)
In [138]: np.array({"x1":1,"x2":2})
Out[138]: array({'x1': 1, 'x2': 2}, dtype=object)
无法正常转换，整个dict会作为一个对象存入数组，可以尝试用pandas库去处理。
(4). 从其他类数组结构中创建，如PIL的图片类型
from PIL import Image
image= Image.open("D:\\test.jpg")
a=np.asarray(image)
np.asarray在多数情况下与np.array等效，区别在于np.asarray会避免没有必要的重复创建，当数据源同样是ndarray且dtype无变化时，不会返回新的数组。
2. 快速填充
(1). 0/1填充
#填充0
a1=np.zeros((2,2))
#填充1
a2=np.ones((2,2))
#声明类型
a2=np.ones((2,2),dtype='int')
第一个参数shape为数组形状，必须赋值；
默认数据类型为float64，可通过dtype参数指定类型。
(2). 对角矩阵
In [151]: np.eye(3,3,0)
Out[151]:
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
In [150]: np.eye(3,3,1)
Out[150]:
array([[ 0., 1., 0.],
[ 0., 0., 1.],
[ 0., 0., 0.]])
第一个参数N为0轴长度，必须赋值；
第二个参数M为1轴长度，不赋值时与N值一致；
第一个参数k为对角线偏移量，默认0，正数向上偏移，负数向下偏移。
对角矩阵固定为二维数组。
(3).单位矩阵
In [5]: np.identity(1)
Out[5]: array([[ 1.]])
In [6]: np.identity(2)
Out[6]:
array([[ 1., 0.],
[ 0., 1.]])
第一个参数n为统一的轴长度，必须赋值；
单位矩阵固定为二维数组。
(4). 指定值填充
a=np.full((2,2),'a')
第一个参数shape为数组形状，必须赋值；
第二个参数fill_value为填充值，必须赋值。
(5). 空值填充
a=np.empty((2,2))
第一个参数shape为数组形状，必须赋值。
创建一个数组，但不初始化其中的值。
(6). 参考已有数组形状创建
a=np.ones((2,2))
a2=np.zeros_like(a)
a3=np.full_like(a,'a')
(7). 等差数列
#方法一
a1=np.arange(0,100,1)
#方法二
a2=np.linspace(0,99,100)
方法一，类似range函数，默认int类型，
三个参数分别为：开始，结束，步长（区间前闭后开）；
方法二，线性空间，默认float类型，
和range不一样，结束值默认是包含于区间的，
且第三个参数不是步长而是元素个数。
(8). 随机数
浮点数随机数
#[0,1]浮点随机数
a1=np.random.rand(5,5)
#标准正太分布随机数
a2=np.random.randn(5,5)
需要注意的是，上面的方法不通过shape而通过全部参数来定义数组形状。
整数随机数
#产生指定范围的整数随机数
a=np.random.randint(0,10,(4,3))
第一个参数low表示区间下限，必须赋值；
第二个参数high表示区间上限，未赋值时会将low作为上限，0作为下限；
第三个参数size表示数组形状，未赋值时函数会返回标量值。
正态分布随机数
a=np.random.normal(100,10,(4,3))
第一个参数loc表示分布的平均值；
第二个参数scale表示分布的标准偏差；
第三个参数size表示数组形状，未赋值时函数会返回标量值。
均匀分布随机数
a=np.random.uniform(0,10,(4,3))
第一个参数low表示区间下限，必须赋值；
第二个参数high表示区间上限，未赋值时会将low作为上限，0作为下限；
第三个参数size表示数组形状，未赋值时函数会返回标量值。
泊松分布随机数
a=np.random.poisson(1.0,(4,3))
第一个参数lam是lambda系数；
第二个参数size表示数组形状，未赋值时函数会返回标量值。
(9). 网格数据
In [26]: X,Y=np.mgrid[1:2:2j,1:3:3j]
In [27]: X
Out[27]:
array([[ 1., 1., 1.],
[ 2., 2., 2.]])
In [28]: Y
Out[28]:
array([[ 1., 2., 3.],
[ 1., 2., 3.]])
In [33]: x=np.array([1,2,3])
In [34]: y=np.array([1,2])
In [35]: X,Y=np.meshgrid(x,y)
In [36]: X
Out[36]:
array([[1, 2, 3],
[1, 2, 3]])
In [37]: Y
Out[37]:
array([[1, 1, 1],
[2, 2, 2]])
np.mgrid通过索引选取的方式直接获得网格数据，j表示步数且包含停止值，去掉j该项代表步长且不包含停止值，第一个索引位声明X在轴0方向上的增长，第二个索引位声明Y在轴1方向上的增长，然后将X和Y广播至相同大小，存在更多索引位时以此类推。
np.meshgrid在已有数据基础上构造网格数据，跟mgrid不一样，第一个参数是表示第二个轴方向上增长的向量，第二个参数对应第一个轴，第三个参数对应第三个轴，第四个参数对应第四个轴，之后以此类推。
网格数据常用于绘图。
(10). 复制
a1=np.zeros((2,2))
a2=np.copy(a1)
