今天被老板fire了，还是继续抄书吧，安抚我受伤的小心脏。知识还是得慢慢积累，一步一个脚印，这样或许才是最快的捷径。
------2015-2-16------------------------------------------------------------------
- NumPy的ndarray:一种多维数组对象
NumPy一个重要的特点就是N维数组对象（ndarray），该对象是一个快速灵活的大数据集容器。ndarray是一个通用的同构数据多维容器，也就是所有的元素都必须是相同的类型。每个数组都有shape（表示各维度大小的元组）和dtype（表示数组数据类型的对象）。
In[2]: import numpy as np
In[3]: data=[[1,2,3],[4,5,6]]
In[4]: arr=np.array(data)
In[6]: arr
Out[6]:
array([[1, 2, 3],
[4, 5, 6]])
In[7]: arr.shape
Out[7]: (2L, 3L)
In[8]: arr.dtype
Out[8]: dtype('int32')
创建ndarray
| 函数 | 说明 |
| array | 将输入数据（列表、元组、数组或其它序列类型）转换为ndarray。要么推断出dtype，要么显示指定dtype。默认直接复制输入数据 |
| asarray | 将输入转换为ndarray，如果输入本身就是一个ndarray就不进行复制 |
| arange | 返回一个ndarray而不是一个列表 |
| ones、ones_like | 根据指定的形状和dtype创建一个全1数组。ones_like以另一个数组为参数，并根据其形状和dtype创建一个全1数组 |
| zeros、zeros_like | 类似于ones和ones_likes只不过产生全0数组 |
| empty、empty_like | 创建新数组，只分配内存空间但不填充任何值 |
| eye、identity | 创建一个N×N单位矩阵 |
ndarray数据类型
int8,int16,int32,int64有符号整型
uint8,uint16,uint32,uint64无符号整型
float16，float32,float64,float128单精度，多精度，扩展精度
complex64,complex128,complex256分别用32,64，128表示的复数
bool
object python数据对象
string_ 固定长度的字符串数据类型
unicode_ 固定长度的unicode类型
In[23]: arr.astype(np.float64)
Out[23]: array([ 1., 2., 3., 4., 5.])
In[27]: h1=arr.astype(np.int16)
In[30]: h1.dtype
Out[30]: dtype('int16')
数组和标量之间的运算
In[2]: import numpy as np
In[3]: arr=np.array([[1,2,3],[4,5,6]])
In[4]: arr*arr
Out[4]:
array([[ 1, 4, 9],
[16, 25, 36]])
In[5]: arr+arr
Out[5]:
array([[ 2, 4, 6],
[ 8, 10, 12]])
In[6]: arr*4
Out[6]:
array([[ 4, 8, 12],
[16, 20, 24]])
In[7]: arr**0.5
Out[7]:
array([[ 1. , 1.41421356, 1.73205081],
[ 2. , 2.23606798, 2.44948974]])
基本的索引和切片
In[8]: np.arange(10)
Out[8]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In[9]: arr=np.arange(10)
In[10]: arr[5:8]
Out[10]: array([5, 6, 7])
In[11]: arr_slice=arr[5:8]
In[12]: arr_slice[1]
Out[12]: 6
In[13]: arr_slice[1]=123456
In[14]: arr
Out[14]:
array([ 0, 1, 2, 3, 4, 5, 123456, 7,
8, 9])
警告：ndarray切片的一份副本而非视图，就需要显示arr[5:8].copy()
数组的转置与轴对换
In[16]: arr=np.arange(15).reshape((3,5))
In[17]: arr
Out[17]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
In[18]: arr.T
Out[18]:
array([[ 0, 5, 10],
[ 1, 6, 11],
[ 2, 7, 12],
[ 3, 8, 13],
[ 4, 9, 14]])
In[19]: np.dot(arr,arr.T)
Out[19]:
array([[ 30, 80, 130],
[ 80, 255, 430],
- 通用函数：快速的元素级数组函数
- 利用数组进行数据处理
- 用于数组的文件输入输出
- 线性代数
- 随机数生成
In[20]: samples=np.random.normal(size=(4,4))
In[21]: samples
Out[21]:
array([[ 1.2160082 , 0.34629744, -0.70813727, 2.59673398],
[-1.32110632, 1.19660352, 0.08227731, 0.24075048],
[-0.29301216, 0.42639032, -1.76321448, -1.05558718],
[ 0.0872803 , 0.25871173, 0.63373105, 0.59362002]])
numpy.random模块比python内置的random模块速度更加快。
部分numpy.random函数