转：https://blog.csdn.net/cxmscb/article/details/54583415
numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy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。
ndarray：N维数组对象（矩阵），所有元素必须是相同类型。
ndarray属性：ndim属性，表示维度个数；shape属性，表示各维度大小；dtype属性，表示数据类型。
创建ndarray数组函数：
示例代码：
1 # -*- coding: utf-8 -*-
2
3 import numpy;
4
5 print ‘使用列表生成一维数组‘
6 data = [1,2,3,4,5,6]
7 x = numpy.array(data)
8 print x #打印数组
9 print x.dtype #打印数组元素的类型
10
11 print ‘使用列表生成二维数组‘
12 data = [[1,2],[3,4],[5,6]]
13 x = numpy.array(data)
14 print x #打印数组
15 print x.ndim #打印数组的维度
16 print x.shape #打印数组各个维度的长度。shape是一个元组
17
18 print ‘使用zero/ones/empty创建数组:根据shape来创建‘
19 x = numpy.zeros(6) #创建一维长度为6的，元素都是0一维数组
20 print x
21 x = numpy.zeros((2,3)) #创建一维长度为2，二维长度为3的二维0数组
22 print x
23 x = numpy.ones((2,3)) #创建一维长度为2，二维长度为3的二维1数组
24 print x
25 x = numpy.empty((3,3)) #创建一维长度为2，二维长度为3,未初始化的二维数组
26 print x
27
28 print ‘使用arrange生成连续元素‘
29 print numpy.arange(6) # [0,1,2,3,4,5,] 开区间
30 print numpy.arange(0,6,2) # [0, 2，4]
NumPy数据类型：
示例代码：
1 print ‘生成指定元素类型的数组:设置dtype属性‘
2 x = numpy.array([1,2.6,3],dtype = numpy.int64)
3 print x # 元素类型为int64
4 print x.dtype
5 x = numpy.array([1,2,3],dtype = numpy.float64)
6 print x # 元素类型为float64
7 print x.dtype
8
9 print ‘使用astype复制数组，并转换类型‘
10 x = numpy.array([1,2.6,3],dtype = numpy.float64)
11 y = x.astype(numpy.int32)
12 print y # [1 2 3]
13 print x # [ 1. 2.6 3. ]
14 z = y.astype(numpy.float64)
15 print z # [ 1. 2. 3.]
16
17 print ‘将字符串元素转换为数值元素‘
18 x = numpy.array([‘1‘,‘2‘,‘3‘],dtype = numpy.string_)
19 y = x.astype(numpy.int32)
20 print x # [‘1‘ ‘2‘ ‘3‘]
21 print y # [1 2 3] 若转换失败会抛出异常
22
23 print ‘使用其他数组的数据类型作为参数‘
24 x = numpy.array([ 1., 2.6,3. ],dtype = numpy.float32);
25 y = numpy.arange(3,dtype=numpy.int32);
26 print y # [0 1 2]
27 print y.astype(x.dtype) # [ 0. 1. 2.]
矢量运算：相同大小的数组键间的运算应用在元素上
矢量和标量运算：“广播”— 将标量“广播”到各个元素
示例代码：
1 print ‘ndarray数组与标量/数组的运算‘
2 x = numpy.array([1,2,3])
3 print x*2 # [2 4 6]
4 print x>2 # [False False True]
5 y = numpy.array([3,4,5])
6 print x+y # [4 6 8]
7 print x>y # [False False False]
一维数组的索引：与Python的列表索引功能相似
多维数组的索引：
示例代码：
1 print ‘ndarray的基本索引‘
2 x = numpy.array([[1,2],[3,4],[5,6]])
3 print x[0] # [1,2]
4 print x[0][1] # 2,普通python数组的索引
5 print x[0,1] # 同x[0][1]，ndarray数组的索引
6 x = numpy.array([[[1, 2], [3,4]], [[5, 6], [7,8]]])
7 print x[0] # [[1 2],[3 4]]
8 y = x[0].copy() # 生成一个副本
9 z = x[0] # 未生成一个副本
10 print y # [[1 2],[3 4]]
11 print y[0,0] # 1
12 y[0,0] = 0
13 z[0,0] = -1
14 print y # [[0 2],[3 4]]
15 print x[0] # [[-1 2],[3 4]]
16 print z # [[-1 2],[3 4]]
17
18 print ‘ndarray的切片‘
19 x = numpy.array([1,2,3,4,5])
20 print x[1:3] # [2,3] 右边开区间
21 print x[:3] # [1,2,3] 左边默认为 0
22 print x[1:] # [2,3,4,5] 右边默认为元素个数
23 print x[0:4:2] # [1,3] 下标递增2
24 x = numpy.array([[1,2],[3,4],[5,6]])
25 print x[:2] # [[1 2],[3 4]]
26 print x[:2,:1] # [[1],[3]]
27 x[:2,:1] = 0 # 用标量赋值
28 print x # [[0,2],[0,4],[5,6]]
29 x[:2,:1] = [[8],[6]] # 用数组赋值
30 print x # [[8,2],[6,4],[5,6]]
布尔索引：使用布尔数组作为索引。arr[condition]，condition为一个条件/多个条件组成的布尔数组。
布尔型索引代码示例：
1 print ‘ndarray的布尔型索引‘
2 x = numpy.array([3,2,3,1,3,0])
3 # 布尔型数组的长度必须跟被索引的轴长度一致
4 y = numpy.array([True,False,True,False,True,False])
5 print x[y] # [3,3,3]
6 print x[y==False] # [2,1,0]
7 print x>=3 # [ True False True False True False]
8 print x[~(x>=3)] # [2,1,0]
9 print (x==2)|(x==1) # [False True False True False False]
10 print x[(x==2)|(x==1)] # [2 1]
11 x[(x==2)|(x==1)] = 0
12 print x # [3 0 3 0 3 0]
花式索引：使用整型数组作为索引。
花式索引代码示例：
1 print ‘ndarray的花式索引:使用整型数组作为索引‘
2 x = numpy.array([1,2,3,4,5,6])
3 print x[[0,1,2]] # [1 2 3]
4 print x[[-1,-2,-3]] # [6,5,4]
5 x = numpy.array([[1,2],[3,4],[5,6]])
6 print x[[0,1]] # [[1,2],[3,4]]
7 print x[[0,1],[0,1]] # [1,4] 打印x[0][0]和x[1][1]
8 print x[[0,1]][:,[0,1]] # 打印01行的01列 [[1,2],[3,4]]
9 # 使用numpy.ix_()函数增强可读性
10 print x[numpy.ix_([0,1],[0,1])] #同上 打印01行的01列 [[1,2],[3,4]]
11 x[[0,1],[0,1]] = [0,0]
12 print x # [[0,2],[3,0],[5,6]]
数组的转置/轴对换只会返回源数据的一个视图，不会对源数据进行修改。
示例代码：
1 print ‘ndarray数组的转置和轴对换‘
2 k = numpy.arange(9) #[0,1,....8]
3 m = k.reshape((3,3)) # 改变数组的shape复制生成2维的，每个维度长度为3的数组
4 print k # [0 1 2 3 4 5 6 7 8]
5 print m # [[0 1 2] [3 4 5] [6 7 8]]
6 # 转置(矩阵)数组：T属性 : mT[x][y] = m[y][x]
7 print m.T # [[0 3 6] [1 4 7] [2 5 8]]
8 # 计算矩阵的内积 xTx
9 print numpy.dot(m,m.T) # numpy.dot点乘
10 # 高维数组的轴对象
11 k = numpy.arange(8).reshape(2,2,2)
12 print k # [[[0 1],[2 3]],[[4 5],[6 7]]]
13 print k[1][0][0]
14 # 轴变换 transpose 参数:由轴编号组成的元组
15 m = k.transpose((1,0,2)) # m[y][x][z] = k[x][y][z]
16 print m # [[[0 1],[4 5]],[[2 3],[6 7]]]
17 print m[0][1][0]
18 # 轴交换 swapaxes (axes：轴)，参数:一对轴编号
19 m = k.swapaxes(0,1) # 将第一个轴和第二个轴交换 m[y][x][z] = k[x][y][z]
20 print m # [[[0 1],[4 5]],[[2 3],[6 7]]]
21 print m[0][1][0]
22 # 使用轴交换进行数组矩阵转置
23 m = numpy.arange(9).reshape((3,3))
24 print m # [[0 1 2] [3 4 5] [6 7 8]]
25 print m.swapaxes(1,0) # [[0 3 6] [1 4 7] [2 5 8]]
通用函数（ufunc）是一种对ndarray中的数据执行元素级运算的函数。
一元ufunc：
一元ufunc代码示例：
1 print ‘一元ufunc示例‘
2 x = numpy.arange(6)
3 print x # [0 1 2 3 4 5]
4 print numpy.square(x) # [ 0 1 4 9 16 25]
5 x = numpy.array([1.5,1.6,1.7,1.8])
6 y,z = numpy.modf(x)
7 print y # [ 0.5 0.6 0.7 0.8]
8 print z # [ 1. 1. 1. 1.]
二元ufunc：
二元ufunc代码示例：
1 print ‘二元ufunc示例‘
2 x = numpy.array([[1,4],[6,7]])
3 y = numpy.array([[2,3],[5,8]])
4 print numpy.maximum(x,y) # [[2,4],[6,8]]
5 print numpy.minimum(x,y) # [[1,3],[5,7]]
np.where(condition, x, y)，第一个参数为一个布尔数组，第二个参数和第三个参数可以是标量也可以是数组。
示例代码：
1 print ‘where函数的使用‘
2 cond = numpy.array([True,False,True,False])
3 x = numpy.where(cond,-2,2)
4 print x # [-2 2 -2 2]
5 cond = numpy.array([1,2,3,4])
6 x = numpy.where(cond>2,-2,2)
7 print x # [ 2 2 -2 -2]
8 y1 = numpy.array([-1,-2,-3,-4])
9 y2 = numpy.array([1,2,3,4])
10 x = numpy.where(cond>2,y1,y2) # 长度须匹配
11 print x # [1,2,-3,-4]
12
13 print ‘where函数的嵌套使用‘
14 y1 = numpy.array([-1,-2,-3,-4,-5,-6])
15 y2 = numpy.array([1,2,3,4,5,6])
16 y3 = numpy.zeros(6)
17 cond = numpy.array([1,2,3,4,5,6])
18 x = numpy.where(cond>5,y3,numpy.where(cond>2,y1,y2))
19 print x # [ 1. 2. -3. -4. -5. 0.]
可以通过这些基本统计方法对整个数组/某个轴的数据进行统计计算。
示例代码：
1 print ‘numpy的基本统计方法‘
2 x = numpy.array([[1,2],[3,3],[1,2]]) #同一维度上的数组长度须一致
3 print x.mean() # 2
4 print x.mean(axis=1) # 对每一行的元素求平均
5 print x.mean(axis=0) # 对每一列的元素求平均
6 print x.sum() #同理 12
7 print x.sum(axis=1) # [3 6 3]
8 print x.max() # 3
9 print x.max(axis=1) # [2 3 2]
10 print x.cumsum() # [ 1 3 6 9 10 12]
11 print x.cumprod() # [ 1 2 6 18 18 36]
用于布尔数组的统计方法：
示例代码：
1 print ‘用于布尔数组的统计方法‘
2 x = numpy.array([[True,False],[True,False]])
3 print x.sum() # 2
4 print x.sum(axis=1) # [1,1]
5 print x.any(axis=0) # [True,False]
6 print x.all(axis=1) # [False,False]
使用sort对数组/数组某一维度进行就地排序（会修改数组本身）。
示例代码：
1 print ‘.sort的就地排序‘
2 x = numpy.array([[1,6,2],[6,1,3],[1,5,2]])
3 x.sort(axis=1)
4 print x # [[1 2 6] [1 3 6] [1 2 5]]
5 #非就地排序：numpy.sort()可产生数组的副本
示例代码：（方法返回类型为一维数组（1d）)
1 print ‘ndarray的唯一化和集合运算‘
2 x = numpy.array([[1,6,2],[6,1,3],[1,5,2]])
3 print numpy.unique(x) # [1,2,3,5,6]
4 y = numpy.array([1,6,5])
5 print numpy.in1d(x,y) # [ True True False True True False True True False]
6 print numpy.setdiff1d(x,y) # [2 3]
7 print numpy.intersect1d(x,y) # [1 5 6]
import numpy.linalg 模块。线性代数（linear algebra）
常用的numpy.linalg模块函数：
示例代码：
1 print ‘线性代数‘
2 import numpy.linalg as nla
3 print ‘矩阵点乘‘
4 x = numpy.array([[1,2],[3,4]])
5 y = numpy.array([[1,3],[2,4]])
6 print x.dot(y) # [[ 5 11][11 25]]
7 print numpy.dot(x,y) # # [[ 5 11][11 25]]
8 print ‘矩阵求逆‘
9 x = numpy.array([[1,1],[1,2]])
10 y = nla.inv(x) # 矩阵求逆（若矩阵的逆存在）
11 print x.dot(y) # 单位矩阵 [[ 1. 0.][ 0. 1.]]
12 print nla.det(x) # 求行列式
import numpy.random模块。
常用的numpy.random模块函数：
示例代码：
1 print ‘numpy.random随机数生成‘
2 import numpy.random as npr
3
4 x = npr.randint(0,2,size=100000) #抛硬币
5 print (x>0).sum() # 正面的结果
6 print npr.normal(size=(2,2)) #正态分布随机数数组 shape = (2,2)
示例代码：
1 print ‘ndarray数组重塑‘
2 x = numpy.arange(0,6) #[0 1 2 3 4]
3 print x #[0 1 2 3 4]
4 print x.reshape((2,3)) # [[0 1 2][3 4 5]]
5 print x #[0 1 2 3 4]
6 print x.reshape((2,3)).reshape((3,2)) # [[0 1][2 3][4 5]]
7 y = numpy.array([[1,1,1],[1,1,1]])
8 x = x.reshape(y.shape)
9 print x # [[0 1 2][3 4 5]]
10 print x.flatten() # [0 1 2 3 4 5]
11 x.flatten()[0] = -1 # flatten返回的是拷贝
12 print x # [[0 1 2][3 4 5]]
13 print x.ravel() # [0 1 2 3 4 5]
14 x.ravel()[0] = -1 # ravel返回的是视图（引用）
15 print x # [[-1 1 2][3 4 5]]
16 print "维度大小自动推导"
17 arr = numpy.arange(15)
18 print arr.reshape((5, -1)) # 15 / 5 = 3
示例代码：
1 print ‘数组的合并与拆分‘
2 x = numpy.array([[1, 2, 3], [4, 5, 6]])
3 y = numpy.array([[7, 8, 9], [10, 11, 12]])
4 print numpy.concatenate([x, y], axis = 0)
5 # 竖直组合 [[ 1 2 3][ 4 5 6][ 7 8 9][10 11 12]]
6 print numpy.concatenate([x, y], axis = 1)
7 # 水平组合 [[ 1 2 3 7 8 9][ 4 5 6 10 11 12]]
8 print ‘垂直stack与水平stack‘
9 print numpy.vstack((x, y)) # 垂直堆叠:相对于垂直组合
10 print numpy.hstack((x, y)) # 水平堆叠：相对于水平组合
11 # dstack：按深度堆叠
12 print numpy.split(x,2,axis=0)
13 # 按行分割 [array([[1, 2, 3]]), array([[4, 5, 6]])]
14 print numpy.split(x,3,axis=1)
15 # 按列分割 [array([[1],[4]]), array([[2],[5]]), array([[3],[6]])]
16
17 # 堆叠辅助类
18 import numpy as np
19 arr = np.arange(6)
20 arr1 = arr.reshape((3, 2))
21 arr2 = np.random.randn(3, 2)
22 print ‘r_用于按行堆叠‘
23 print np.r_[arr1, arr2]
24 ‘‘‘
25 [[ 0. 1. ]
26 [ 2. 3. ]
27 [ 4. 5. ]
28 [ 0.22621904 0.39719794]
29 [-1.2201912 -0.23623549]
30 [-0.83229114 -0.72678578]]
31 ‘‘‘
32 print ‘c_用于按列堆叠‘
33 print np.c_[np.r_[arr1, arr2], arr]
34 ‘‘‘
35 [[ 0. 1. 0. ]
36 [ 2. 3. 1. ]
37 [ 4. 5. 2. ]
38 [ 0.22621904 0.39719794 3. ]
39 [-1.2201912 -0.23623549 4. ]
40 [-0.83229114 -0.72678578 5. ]]
41 ‘‘‘
42 print ‘切片直接转为数组‘
43 print np.c_[1:6, -10:-5]
44 ‘‘‘
45 [[ 1 -10]
46 [ 2 -9]
47 [ 3 -8]
48 [ 4 -7]
49 [ 5 -6]]
50 ‘‘‘
示例代码：
1 print ‘数组的元素重复操作‘
2 x = numpy.array([[1,2],[3,4]])
3 print x.repeat(2) # 按元素重复 [1 1 2 2 3 3 4 4]
4 print x.repeat(2,axis=0) # 按行重复 [[1 2][1 2][3 4][3 4]]
5 print x.repeat(2,axis=1) # 按列重复 [[1 1 2 2][3 3 4 4]]
6 x = numpy.array([1,2])
7 print numpy.tile(x,2) # tile瓦片：[1 2 1 2]
8 print numpy.tile(x, (2, 2)) # 指定从低维到高维依次复制的次数。
9 # [[1 2 1 2][1 2 1 2]]
原文：https://www.cnblogs.com/zzmx0/p/13583861.html