numpy数以数组为对象，将各种数据转化成数组，因此，我们学习的也就是数组了，实际上它被称之为 ndarrays。
创建一个数组：
import numpy as np my_array = np.array([1, 2, 3, 4, 5]) print(my_array) print(my_array.shape)
创建全部为0 的数组：
import numpy as np my_zeros_array = np.zeros(5) print(my_zeros_array)
创建数组：
import numpy as np # 用列表生成数组 a = np.array([0, 1, 2, 3, 4]) # 用元组生成数组 b = np.array((0, 1, 2, 3, 4, 5)) # 产生0到4的整数数组，包头不包尾 c = np.arange(5) # 从0到100，以10作为差值求等差数列 e = np.arange(0, 100, 10) # 产生0到2*np.pi的等差数列，并且一共五个，可以得出差值为2*np.pi/(5-1) = 1.5707963267948966 d = np.linspace(0, 2*np.pi, 5) print(a) print(b) print(c) print(d)
多维数组：
import numpy as np # MD Array, a = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28 ,29, 30], [31, 32, 33, 34, 35]]) # 以0作为数组的下标 print(a[0, 0]) # 可以使用负数倒数去取值 print(a[-1, -1]) # 数组切片是包头不包尾 print(a[2, 1:4]) # 对比一下这个跟原生的python规则一致 d = [1, 2, 3, 4, 5] print(d[1:4])
数组的属性：
import numpy as np # Array properties, a = np.array([[11, 23, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) # <class 'numpy.ndarray'> print(type(a)) # object 这个不准确，有时候是int32 有时候是int64 还有的是其他float，string等这个是根据这个数组的值决定 print(a.dtype) # int32 # 1、如果里面的额数值都是int并且值不大于-2^31 ~ 2^31-1次方=4294967295，由于则显示为int32 # 来感受一下吧 # int32 a = np.array([[11, 23, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 2147483647]]) print(a.dtype) # int64 a = np.array([[11, 23, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 2147483648]]) print(a.dtype) # 那么，64的极限在哪里？你可能想到了，就是-2^63 ~ 2^63-1 a = np.array([[11, 23, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 2**63-1]]) print(a.dtype) # 比int还要大一点呢？那就是float64了 a = np.array([[11, 23, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 2**63]]) print(a.dtype) # 比float大一点点呢？那就是object了 a = np.array([[11, 23, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 2**64]]) print(a.dtype)
在这里我要强行解释一波，哪里不对的地方请各位道友多多指出
1、为什么int32是用2^32次方的算数呢？因为计算机中都是由0或1组成的数据，也就是两种情况（2就被推出来送命啦），而32是表示32位的意思，那“位”又是什么？位是计算机的最小存储单元（也就是存放0或1 的那个单元，你可以理解成牢房），8位为一个字节，因此int32又称4个字节。字节是计算机中的最小单位。
那为什么是-2^31~2^31-1这个范围呢？而不是0~2^32-1这个范围呢？你的理解非常正确，无符号整型就是这个范围，那就好理解了，因为有正负号，所以就是-2^31~2^31-1。
还有，为什么是-2^31~2^31-1而不是-2^31~2^31呢？都说对半分嘛，怎么正数反而要减去一个1呢？没错，你的怀疑不无道理，可以这样就有一个棘手的问题，1可以表示位00000000 00000000 0000000 00000001 ，而-1可以表示为 10000000 00000000 00000000 00000001，那么0呢？当然，0有两种情况-0和0，你可能很疑惑，怎么有-0呢？没办法还真的有。因此-0和0占去一位都是0，所以就需要负数或者正数减去一个1。int64也一样。
2、我也有个疑问，为什么float取值范围要比int64还要大？因为他们都是64位存储对吧？而且float类型还要用一位来记录小数点，没错吧！
我也是想当然，不过如果我们学过C或者更加底层的汇编，你就会发现，浮点的存储跟整型不一样，他是可能损失精度的，比如1000000 整型就傻傻的将所有1000000转化为二进制存放，而浮点类型不一样，会转化成1.e7，也就是将一部分保留，另一部分以幂次方表示，从而扩大其取值范围。
3、没想好，就先这样吧~！
Where 函数
where() 函数是另外一个根据条件返回数组中的值的有效方法。只需要把条件传递给它，它就会返回一个使得条件为真的元素的列表。
import numpy as np a = np.arange(0, 100, 1) print(a) b = a[:5] c = a[a >= 50] print(b) # >>>[ 0 10 20 30 40] print(c) # >>>[50 60 70 80 90]