目录##

掌握numpy(一)
掌握numpy(二)
掌握numpy(三)
掌握numpy(四)
NumPy是一款用于科学计算的python包，强大之处在于矩阵的运算以及包含丰富的线性代数运算的支持。本文将对numpy一些常用的用法进行讲解，一来是对自己的知识进行梳理，二来作为一份备忘录供以后查阅，如果有幸被你读到，通过阅读本文希望对你有帮助。由于本人能力有限，如果有错误请指出~

创建数组##

首先我们要先引入numpy，常用的引入方法为

import numpy as np

np.zeros###

该方法能够创建一个全为0的数组

>>np.zeros(5)
array([ 0.,  0.,  0.,  0.,  0.])

上面是创建一个1维的数组，创建一个多维的数组也很简单，eg下面是创建一个二维的数组

>>a = np.zeros((3,4))
>>a
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

在上面的例子里面，每一个维度被成为轴(axis)
当定义了一个array的时候，我们可以查看其形状

>>a.shape
(3L, 4L)

还有查看该数组种元素的个数

>>a.size
12

在numpy种，数组类型有着其封装好的数据类型ndarray:

>>type(a)
numpy.ndarray

N维度数组###

当然，我们还可以定义更高维度的数组，eg:下面我们定义一个3D 数组

>>np.zeros((2,3,4))
array([[[ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.]],
       [[ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.]]])

np.ones###

与前面讲的zeros类似，这是创建一个全为1的数组

>>np.ones((3,4))
array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])

np.full###

创建一个数组，并由给定的数值进行初始化

>>np.full((3,4),np.pi)
array([[ 3.14159265,  3.14159265,  3.14159265,  3.14159265],
       [ 3.14159265,  3.14159265,  3.14159265,  3.14159265],
       [ 3.14159265,  3.14159265,  3.14159265,  3.14159265]])

np.empty###

这个又是什么意思呢？创建一个未初始化的数组，里面的值全部随机

>>np.empty((2,2))
array([[  2.96206109e-316,   2.42711804e-316],
       [  1.85335328e-316,   1.85335328e-316]])

np.array###

如何将python原生的list对象转化为numpy的array呢

>>np.array([1,2,3,4])
array([1, 2, 3, 4])

np.arange###

numpy还提供了类似python的range方法

>>np.arange(1,5)
array([1, 2, 3, 4])

当然我们还可以设置迭代的步长

>>np.arange(1,5,0.5)
array([ 1. ,  1.5,  2. ,  2.5,  3. ,  3.5,  4. ,  4.5])

np.linspace###

该方法的作用是将一组值，以相同的间隔，迭代给定的次数

>>np.linspace(1,10,4)
array([  1.,   4.,   7.,  10.])

np.rand 和np.randn###

numpy提供了一系列的随机方法来随机初始化数组，下面是使用uniform distribution来随机初始化数组(取值范围[0,1]）

>>np.random.rand(3,4)
array([[ 0.1017882 ,  0.96519783,  0.899528  ,  0.62844884],
       [ 0.63758273,  0.71036901,  0.76895382,  0.41230372],
       [ 0.31258595,  0.90595397,  0.44213312,  0.33604536]])

还可以使用normal distribution方法来初始化数组，均值为0、方差为1

>>np.random.randn(3,4)
array([[ 0.05971094,  1.57336808, -0.56372917,  1.58623654],
       [-0.82797012,  0.19435163,  1.64495295,  0.07486049],
       [-0.97815692,  1.4891987 ,  0.65185811, -0.53984805]])

为了更加直观的表示上面的函数，将使用matplotlib将其绘制出来

import matplotlib.pyplot as plt
plt.hist(np.random.rand(100000), normed=True, bins=100, histtype="step", color="blue", label="rand")
plt.hist(np.random.randn(100000), normed=True, bins=100, histtype="step", color="red", label="randn")
plt.axis([-2.5, 2.5, 0, 1.1])
plt.legend(loc = "upper left")
plt.title("Random distributions")
plt.xlabel("Value")
plt.ylabel("Density")
plt.show()

掌握numpy(一)-冯金伟博客园

np.fromfunction###

有些时候，单一的数组初始化方式不能满足我们的业务需求，这个时候我们就需要定制初始化规则，强大的numpy当然也会考虑到这一问题

def my_function(x,y,z):
    return x * y + z
a = np.fromfunction(my_function, (2,3,4))
>>a
array([[[ 0.,  1.,  2.,  3.],
        [ 0.,  1.,  2.,  3.],
        [ 0.,  1.,  2.,  3.]],

       [[ 0.,  1.,  2.,  3.],
        [ 1.,  2.,  3.,  4.],
        [ 2.,  3.,  4.,  5.]]])

上面得到的数组是怎么一个计算过程呢？首先numpy将数组种的坐标点带入自定义的函数种，例如右下角的5坐标点为(1,2,3)将其坐标代入自定义函数

数组中的数值##

dtype###

上一节将了使用numpy创建数组类型为ndarray，那么数组中的数据也有着自己的数据类型.

>>c = np.arange(1, 5)
c.dtype #int32

data buffer###

数组以一维度byte buffer存放在内存中，可以通过data属性来进行查看
先定义一个数组

>>f = np.array([[1,2],[1000, 2000]], dtype=np.int32)
f.data
<read-write buffer for 0x000000000BB03F30, size 16, offset 0 at 0x000000000C4DCEA0>

python2和3的查看方式不一样

if (hasattr(f.data, "tobytes")):
    data_bytes = f.data.tobytes() # python 3
else:
    data_bytes = memoryview(f.data).tobytes() # python 2
>>data_bytes
'x01x00x00x00x02x00x00x00xe8x03x00x00xd0x07x00x00'