NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!
简单理解：
2维是EXCEL表格里面的多行多列
3维是EXCEL表格里面的多行多列+下面的sheet1、2、3
4维是包括了同一个文件夹下不同名称的EXCEL表格
5维是同一分区不同文件夹下不同名称的EXCEL表格
6维是不同分区不同文件夹下不同名称的EXCEL表格
多维数组非常像列表，但通常它的元素类型是相同的，且都是数字，下面是一个简单的例子。
声明数组：
import numpy as np a = np.array([1, 2, 3, 4, 5, 6]) print(f'一维数组: {a}')
结果：
a = np.array([[1, 2, 3], [4, 5, 6]]) print(f'二维数组: {a}')
结果： 
# 使用reshape方法反向生成多维数组 三维数组 nlist_3 = np.array(range(24)).reshape((3,2,4)) print(nlist_3)
结果：
#反向声明一个size为20个元素的四维数组 nlist_4 = np.array(range(20)).reshape((1,2,5,2)) print(nlist_4)
结果：
数组操作：
print(f'维度(axes or dimensions)): {a.ndim}')
结果：
print(f'每个维度长度: {a.shape}')
结果：
print(f'数组长度: {a.size}')
结果：
print(f'数组类型: {type(a)}')
结果：
print(f'数组元素类型: {a.dtype}')
结果：
print(f'数组元素大小(bytes): {a.itemsize}')
结果：
print(f'数组元素: {a.data}')
结果：
#data属性，用来打印数据缓冲区 buffer print(a.data)
结果：
#使用浮点作为元素类型 nlist_flaot = np.array([1.0,2.0,3.0]) print(nlist_flaot.dtype)
结果：
#使用字符串作为元素类型
nlist_string = np.array(['a','b','c']) print(nlist_string.dtype)
结果：
#自动生成使用ones方法，自动生成元素为1的多维数组 nlist_ones = np.ones((4,4)) print(nlist_ones) print(nlist_ones.dtype)
结果：
#使用zeros来生成元素为0的多维数组 nlist_zeros = np.zeros((4,4)) print(nlist_zeros) print(nlist_zeros.dtype)
结果:
#使用empty方法来生成随机多维数组 使用第二个参数指定数据类型 不指定为float64 nlist_empty = np.empty([2,2],dtype=np.int) print(nlist_empty) print(nlist_empty.dtype)
结果:
#把普通list转换成数组 x = [1,2,3] x = [[1,2,3],[4,5]] print(type(x)) nlist = np.asarray(x) print(nlist) print(nlist.ndim) print(nlist.shape) print(type(nlist))
结果:
#把普通list转换成数组 二维数组 x = [1,2,3] x = [[1,2,3],[4,5,6]] print(type(x)) nlist = np.asarray(x) print(nlist) print(nlist.ndim) print(nlist.shape) print(type(nlist))
结果：
#frombuffer 通过字符串(buffer内存地址)切片来生成多维数组 b指定字节 my_str = b'Hello Word' nlist_str = np.frombuffer(my_str,dtype='S1') print(nlist_str)
结果：
x = np.array([[1,2],[3,4]]) print(x) #指定axis属性可以指定当前多维数组的维度 keepdims=True让其维度不变 sum0 = np.sum(x,axis=0,keepdims=True) print(sum0) print('--------------') sum1 = np.sum(x,axis=1,keepdims=True) print(sum1)
结果：
#多维数组赋值 x = np.array([1,2]) y = x.copy() y[0] = 3 print(x)
结果：
#维度级的运算 a = np.array([[1,2],[3,4],[5,6]]) b = np.array([[10,20],[30,40],[50,60]]) #vstack方法 suma = np.vstack((a,b)) print(suma) #hstack方法 sumb = np.hstack((a,b)) print(sumb)
结果：
#多维数组调用 nlist = np.array([[1,2],[3,4],[5,6]]) print(nlist[0]) #取元素4 print(nlist[1][1]) #第二种写法 print(nlist[1,1]) nlist[2,1] = 7 print(nlist)
结果：
#删除方法 delete #删除nlist第二行 print(np.delete(nlist,1,axis=0)) print(np.delete(nlist,0,axis=1))
结果：
简单的计算及数组值交换操作
import numpy as np
q1 = np.zeros(shape=10)
#给第五个元素赋值
q1[4] = 1
# print(q1)
# 创建一个每一行都是0到4的5*5矩阵
q2_list = [0,1,2,3,4]
# 使用list乘法反推矩阵
q2 = np.array(q2_list * 5).reshape(5,5)
# print(q2)
q3 = np.array([[1,2,3],[4,5,6],[7,8,9]])
#使用所引交换元素
# 换行
q3 = q3[[2,1,0]]
q3 = q3[[2][0]]
print(q3)
#原数组为一维数组，内容为从 0 到 100，抽取出所有偶数。
q4 = np.array(range(101))
#判断偶数
q4 = q4[q4 % 2 == 0]
print(q4)
import numpy as np q1 = np.zeros(shape=10) #给第五个元素赋值 q1[4] = 1 # print(q1) # 创建一个每一行都是0到4的5*5矩阵 q2_list = [0,1,2,3,4] # 使用list乘法反推矩阵 q2 = np.array(q2_list * 5).reshape(5,5) # print(q2) q3 = np.array([[1,2,3],[4,5,6],[7,8,9]]) #使用所引交换元素 # 换行 q3 = q3[[2,1,0]]print(q3) #原数组为一维数组，内容为从 0 到 100，抽取出所有偶数。 q4 = np.array(range(101)) #判断偶数 q4 = q4[q4 % 2 == 0] print(q4)