python学习---numpy

https://www.numpy.org.cn/user/quickstart.html#%E5%9F%BA%E6%9C%AC%E6%93%8D%E4%BD%9C

数组的创建：

创建数组有5种常规机制：

从其他Python结构（例如，列表，元组）转换
numpy原生数组的创建（例如，arange、ones、zeros, linespace等）
从磁盘读取数组，无论是标准格式还是自定义格式
通过使用字符串或缓冲区从原始字节创建数组
使用特殊库函数（例如，random）

数组的创建（Array Creation） - arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, zeros, zeros_like

https://www.numpy.org.cn/user/basics/creation.html#numpy%E5%8E%9F%E7%94%9F%E6%95%B0%E7%BB%84%E7%9A%84%E5%88%9B%E5%BB%BA

numpy的基本变属性：

ndarray.ndim - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
ndarray.shape - 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n 行和 m 列的矩阵，shape 将是 (n,m)。因此，shape 元组的长度就是rank或维度的个数 ndim。
ndarray.size - 数组元素的总数。这等于 shape 的元素的乘积。
ndarray.dtype - 一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
ndarray.itemsize - 数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。
ndarray.data - 该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素

数组的索引：

分为以下几类：

　　1.单元素索引；

　　2.切片和跨步索引;

　　3.索引数组

　　4.索引多维数组；

　　5.组合切片与数组索引；

数组的基本操作：

　　1. +-*/：广播类型的；

　　2.通用函数：点乘(np.dot(a,b)

　　　　常用的是，dot, sum,mean, max, min, std,

另见这些通函数

all， any， apply_along_axis， argmax， argmin， argsort， average， bincount， ceil， clip， conj， corrcoef， cov， cross， cumprod， cumsum， diff， dot， floor， inner， INV ， lexsort， max， maximum， mean， median， min， minimum， nonzero， outer， prod， re， round， sort， std， sum， trace， transpose， var， vdot， vectorize， where

　　3. 常用的API

以下是按类别排序的一些有用的NumPy函数和方法名称的列表。有关完整列表，请参阅参考手册里的常用API。

数组的创建（Array Creation） - arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, zeros, zeros_like
转换和变换（Conversions） - ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat
操纵术（Manipulations） - array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel, repeat, reshape, resize, squeeze, swapaxes, take, transpose, vsplit, vstack
询问（Questions） - all, any, nonzero, where,
顺序（Ordering） - argmax, argmin, argsort, max, min, ptp, searchsorted, sort
操作（Operations） - choose, compress, cumprod, cumsum, inner, ndarray.fill, imag, prod, put, putmask, real, sum
基本统计（Basic Statistics） - cov, mean, std, var
基本线性代数（Basic Linear Algebra） - cross, dot, outer, linalg.svd, vdot

https://www.numpy.org.cn/user/quickstart.html#%E5%8A%9F%E8%83%BD%E5%92%8C%E6%96%B9%E6%B3%95%E6%A6%82%E8%BF%B0

　　4.增删改查：

增：

插入：insert

numpy.insert(arr,obj,value,axis=None)

value为插入的数值

arr:为目标向量

obj:为目标位置

value:为想要插入的数值

axis:为插入的维度

np.insert(a,1,[1,1,1,1],0)
Out[309]:
array([[ 0, 1, 2, 3],
       [ 1, 1, 1, 1],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11]])

来自 <https://blog.csdn.net/weixin_35834894/article/details/100114021>

append

将values插入到目标arr的最后。

注意，这里values跟arr应该为相同维度的向量，例如，如下第一个为错误情况。

a
Out[312]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])

np.append(a,[[1,1,1,1]],axis=0)
Out[313]:
array([[ 0, 1, 2, 3],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11],
       [ 1, 1, 1, 1]])

来自 <https://blog.csdn.net/weixin_35834894/article/details/100114021>

删：

lines_rest = np.delete(lines,0,0)

#第一个参数：要处理的矩阵，第二个参数，处理的位置，第三个参数，0表示按照行删除，1表示按照列删除

#返回值为，删除后的剩余元素构成的矩阵

来自 <https://www.cnblogs.com/shuangcao/p/11326505.html>

改：

直接索引之后直接赋值；

查：

查询

有两种方式

一种就是直接用切片的方式

a[:,:2]
array([[0, 1],
[4, 5],
[8, 9]])

第二种就是用where

np.where(a>2)
(array([0, 1, 1, 1, 1, 2, 2, 2, 2]), array([3, 0, 1, 2, 3, 0, 1, 2, 3]))

来自 <https://blog.csdn.net/weixin_35834894/article/details/100114021>