學習彙總：點這裏
前言
NumPy是使用Python進行科學計算的基本軟件包。它包含以下內容：
- 強大的N維數組對象
- 複雜的（廣播）功能
- 集成C / C ++和Fortran代碼的工具
- 有用的線性代數，傅立葉變換和隨機數功能
除了其明顯的科學用途外，NumPy還可以用作通用數據的高效多維容器。可以定義任意數據類型。這使NumPy可以無縫，快速地與各種數據庫集成。
如果有疑問的可以直接找官網地址
1.NumPy的主要對象
NumPy的主要對象是齊次多維數組。它是所有相同類型的元素（通常爲數字）表，由非負整數元組索引。在NumPy中，尺寸稱爲軸。NumPy的數組類稱爲ndarray。請注意，numpy.array這與標準Python庫類不同array.array，後者僅處理一維數組且功能較少。ndarray對象的重要屬性是：
- ndarray.ndim #數組的軸數（尺寸）。
- ndarray.shape #數組的尺寸。這是一個整數元組，指示每個維中數組的大小。對於具有n行和m列的矩陣，shape將爲(n,m)。shape因此，元組的長度 是軸數ndim。
- ndarray.size #數組元素的總數。這等於的元素的乘積shape。
- ndarray.dtype #一個對象，描述數組中元素的類型。可以使用標準Python類型創建或指定dtype。另外，NumPy提供了自己的類型。
- ndarray.itemsize #數組中每個元素的大小（以字節爲單位）。
- ndarray.data #包含數組實際元素的緩衝區。通常，我們不需要使用此屬性，因爲我們將使用索引工具訪問數組中的元素。
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a #輸出數組
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.shape #輸出數組尺寸
(3, 5)
>>> a.ndim #輸出數組軸數
2
>>> a.dtype.name #輸出數組元素類型
'int64'
>>> a.itemsize #輸出數組元素大小(字節)
8
>>> a.size #輸出數組元素個數
15
2.創建數組
基本創建數組方式如下：
>>> a = np.array(1,2,3,4) # WRONG
>>> a = np.array([1,2,3,4]) # RIGHT
>>> import numpy as np
>>> a = np.array([2,3,4]) #創建一維數組
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')
>>> b = np.array([(1.5,2,3), (4,5,6)]) #創建二維數組
>>> b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex ) #創建指定狀態的數組
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
注意：函數zeros創建一個全零的數組，該函數ones創建全零 的數組，該函數empty 創建其初始內容是隨機的並取決於內存狀態的數組。默認情況下，創建的數組的dtype爲 float64。而函數arange類似於Python內置函數的功能range。函數linspace將範圍（a,b）切割成元素數量爲c的數組。
import numpy as np
>>> np.zeros( (3,4) ) #創建全零的數組
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) #創建全一數組
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) ) #創建其初始內容是隨機的並取決於內存狀態的數組
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])
>>> np.arange( 10, 30, 5 ) #類似arrange的Python內置函數range
array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 ) #獲得從0-2範圍的9個元素的數組
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
如果數組太大而無法打印，則NumPy會自動跳過數組的中心部分，僅打印角點。要禁用此行爲並強制NumPy打印整個數組，可以使用更改打印選項set_printoptions。
np.set_printoptions(threshold=sys.maxsize)
3.數組基本操作
數組上的算術運算符適用於elementwise。創建一個新數組，並用結果填充。
基礎運算
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False])
矩陣運算
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A * B
array([[2, 0],
[0, 4]])
>>> A @ B
array([[5, 4],
[3, 4]])
>>> A.dot(B)
array([[5, 4],
[3, 4]])
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437],
[ 3.30233257, 3.14675589, 3.09233859]])
>>> a += b # b is not automatically converted to integer type
Traceback (most recent call last):
...
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'
矩陣行列運算
>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747],
[ 0.53881673, 0.41919451, 0.6852195 ]])
>>> a.sum()
2.5718191614547998
>>> a.min()
0.1862602113776709
>>> a.max()
0.6852195003967595
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>>
>>> b.sum(axis=0) # 輸出每一列元素和
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1) # 輸出每一行最小元素
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1) # 輸出按水平方向每一列的遞進式數組
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
注意：NumPy提供了熟悉的數學函數，例如sin，cos和exp。在NumPy中，這些被稱爲“通用函數”（ufunc）。在NumPy中，這些函數在數組上逐元素操作，從而生成數組作爲輸出。
4.索引，切片及循環
一維數組可以被索引，切片和遍歷，就像 列表 和其他Python序列一樣。而多維數組每個軸可以有一個索引。這些索引以元組給出，並用逗號分隔：
>>> a = np.arange(10)**3
>>> a
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5] #輸出下標爲2-5範圍的數組
array([ 8, 27, 64])
>>> a[:6:2] = -1000 # 下標0-6範圍的數組間隔賦值爲-1000
>>> a
array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])
>>> a[ : :-1] # 翻轉數組
array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
import numpy as np
def f(x,y):
return 10*x+y
b = np.fromfunction(f,(5,4),dtype = int)
print (b)
print (b[2,3])
print (b[0:5, 1]) # each row in the second column of b
print (b[ : ,1]) # equivalent to the previous example
print (b[1:3, : ]) # each column in the second and third row of b