一：numpy模块
ndarray:存储单一数据类型的多维数组
ufunc:能够对数组进行处理的函数(universal function object)
#numpy 中arange用法，指定开始值/终止值/步长来创建一维数组数组，但是数组不包括终值。 arange_array=np.arange(1,2,0.1) re_arange_array=arange_array.reshape(2,5)#使用reshape重新定义数组的维度或者数组的大小 print "arange_array is array,it's %s " % arange_array print "re_arange_array is:%s" % re_arange_array
#linspace函数通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关键字指定 #是否包括终值，缺省设置是包括终值: linspace_array=np.linspace(0, 1, 12)#创建的是等差数列！ print "linspace_array is: %s" % linspace_array
#logspace创建等比数列，产生起始值10^起始值，到10^终止值，n个值的一维数组 logspace_array=np.logspace(0,2,30) print "logspace array is: %s" % logspace_array
def fun2(i,j): return (i+1)*(j+1) b=np.fromfunction(fun2,(9,9)) #fromfunction从函数创建数组，自定义函数，从函数中创建数组; #frompyfunc的调用格式为frompyfunc(func, nin, nout),nin是此函数的输入参数的个数，nout是此函数的返回值的个数。 print 'b is:%s' %b
Data type objects (dtype) and 结构数组
数据类型（data type object, ie. numpy.dtype的实例）描述的是array对象怎样解析内存中的固定大小的内存段。它描素了数据的一下几个方面：
- 数据的类型(integer, float, Python object, etc.)
- 数据的大小(how many bytes is in e.g. the integer)
- 二进制位的存储顺序(little-endian or big-endian)
- 如果数据类型（data type）是一条记录，即其他数据类型的组合(e.g., describing an array item consisting of an integer and a float),这和C语言里面的struct类似。
- 记录的各个数据的名称是什么，怎么获取这个子数据。
- 每个子数据的的类型是什么。
- 每个子数据都使用哪一部分内存。
- 如果数据是一个子数组，它的形状是什么。
import numpy as np; persontype=np.dtype({ 'names':['name','age','weight'], 'formats':['S32','i','f']}) a = np.array([("zhuang",32,75.5),("wang",24,65.2)],dtype=persontype) print a[1]['name'] print a.strides
扩展：常用tile函数和repeat函数扩展numpy模块
1:numpy.tile(A,B)函数：重复A，B次，这里的B可以时int类型也可以是元组类型
>>> import numpy >>> numpy.tile([0,0],5)#在列方向上重复[0,0]5次，默认行1次 array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0]) >>> numpy.tile([0,0],(1,1))#在列方向上重复[0,0]1次，行1次 array([[0, 0]]) >>> numpy.tile([0,0],(2,1))#在列方向上重复[0,0]1次，行2次 array([[0, 0], [0, 0]]) >>> numpy.tile([0,0],(3,1)) array([[0, 0], [0, 0], [0, 0]]) >>> numpy.tile([0,0],(1,3))#在列方向上重复[0,0]3次，行1次 array([[0, 0, 0, 0, 0, 0]]) >>> numpy.tile([0,0],(2,3))<span style="font-family: Arial, Helvetica, sans-serif;">#在列方向上重复[0,0]3次，行2次</span> array([[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]])
2:repeat(A):重复A次 repeat([A,B]):对应重复A次，B次
>>> from numpy import * >>> repeat(7.,4) array([ 7., 7., 7., 7.]) >>> a=array([10,20]) >>> a.repeat([3,2]) array([10, 10, 10, 20, 20]) >>> repeat(a,[3,2]) array([10, 10, 10, 20, 20]) >>> a=array([[10,20],[30,40]]) >>> a.repeat([3,2],axis=0) array([[10, 20], [10, 20], [10, 20], [30, 40], [30, 40]]) >>> a.repeat([3,2],axis=1) array([[10, 10, 10, 20, 20], [30, 30, 30, 40, 40]]) >>>
3:sum函数：
sum（a，axis=0）:普通的相加
sum(axis=1) ：将一个矩阵的每一行向量相加
4:argsort函数：返回排序后元素在原对象中的下标，属于numpy中的函数
区别于sort函数和sorted函数
（1）、sort 只是list类型的内建函数，对其他非列表型序列不适用。
（2）、sorted是所有类型的内建函数 ,返回排序后的对象，原对象不改变。进阶：sorted(a,key=...,reversed=True)
a=array([(5,4,3,2,6),(7,8,0,1,9)]) >>> a array([[5, 4, 3, 2, 6], [7, 8, 0, 1, 9]]) >>> a.argsort() array([[3, 2, 1, 0, 4], [2, 3, 0, 1, 4]], dtype=int64)
5:zeros：创建0矩阵
二：spicy模块