官方中文文档：https://www.numpy.org.cn/user/
这里使用 jupyter notebook 进行演示。
安装：pip install jupyter
启动：jupyter notebook
1. 数组的创建
1.1 类型转变
从列表：
从元祖：
从字符串：
1.2 从头创建
1.2.1 一维数组
按顺序生成：
使用 np.random 模块可随机生成
按等间距生成：
生成全为“1”数组：
生成全为“0”数组：
对角线全为“1”数组：
注意：默认生成浮点型数值，可在括号里加参数dtype=int，使得生成整型数值。
归纳为以下：
1.2.2 多维数组
.reshape()的使用：
使用 .reshape() 方法可将 n 维数组变成任意指定形状的数组，但是元素个数要对的上。
将 n 维数组变成一维：
将一维行数据数据变成列数据：
>>> s=np.arange(5)
array([0, 1, 2, 3, 4])
>>> s.reshape(5,1)
array([[0],
[1],
[2],
[3],
[4]]).reshape()和 .resize() 区别：前者不改变原形状，后者改变。
.flatten()和 .ravel() 区别：执行命令后再进行赋值操作，前者不改变元素，后者改变（此用法不多）。
size()的使用：
1.2.3 np.random 模块
| 方法 | 使用说明 |
|---|---|
np.random.random((m,n)) |
随机生成 (0,1) 之间的数组，m 行 n 列 |
np.random.rand(m,n) |
随机生成 [0,1)之间的数组，m 行 n 列 |
np.random.randint(x,y,size=(m,n)) |
随机生成整型数组，数字 (x,y) 之间，m 行 n 列 |
np.random.uniform(x,y,size=(m,n)) |
随机生成浮点数组，数字 [x,y) 之间，m 行 n 列 |
np.random.choice(data) |
随机采样生成数组，从 data 中 |
np.random.shuffle(data) |
随机按行打乱数组，从 data 中，改变原数组 |
np.random.permutation(data) |
随机按行打乱数组，从 data 中，不改原数组 |
np.random.seed() |
调控随机数的生成，根据种子值 |
np.random.randn(m,n) |
随机生成标准正态分布数组，符合 N(0,1) |
np.random.normal(μ,σ,size=(m,n)) |
随机生成正态分布数组，符合 N(μ,σ) |
np.random.poisson(lam,size=(m,n)) |
随机生成泊松分布数组，事件发生率 lam |
以上均可很据括号里传入维度的不同，可以创建 1~N 维数组。
1.3 数组属性
| 属性 | 使用说明 |
|---|---|
.ndim |
秩，即数据轴的个数 |
.shape |
数组的维度 |
.size |
元素的总个数 |
.dtype |
数据类型 |
.itemsize |
数组中每个元素的字节大小 |
.T |
数组的转置，即行列进行交换 / .transpose作用一样，但它会改变原数组 |
使用以上方法不需要加括号。
举一个例子：
2. 数组的操作
2.1 索引
2.1.1 普通索引
位置索引：
布尔索引：
2.1.2 花哨索引
选取数据：
选择块：
调换行：
2.2 切片
连续的切片：
不连续的切片：
2.3 值的替换
根据索引赋值
2.4 数组拼接
2.5 数组切割
2.5.1 普通切割
2.5.2 复杂切割
2.6 数组运算
2.6.1 通用函数
注意：这里的逻辑运算如逻辑与 np.logical_and()是进行多元运算的。括号里传入的数组必须形状相同。
NAN 安全版本：为了应对数组里的缺失值 np.nan 的。如下：
2.6.2 布尔数组函数
对传入的数组进行是否有空值判断。传入的数组也可以为布尔数组。只能进行一元判断。
2.7 数组排序
2.7.1 普通排序
如要 降序 排列，只需传入负号即可：np.sort(-arr)。
2.7.2 排序并返回唯一值
对传入的数组中的元素排序，并返回对应元素出现的个数。
2.8 数组广播机制
如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符或其中一方的长度为 1，则认为他们是广播兼容的。广播会在缺失和（或）长度为 1 的维度上进行。
举例说明：
3. 文件操作
3.1 文件保存
np.savetxt(frame, array, fmt='%.18e', delimiter=None)- frame : 文件、字符串或产生器，可以是.gz 或.bz2 的压缩文件 如 “example.csv”
- array : 存入文件的数组
- fmt : 写入文件的格式，例如：%d %.2f %.18e 可以省略
- delimiter : 分割字符串，默认是任何空格 根据需要是否要指定
3.2 读取文件
np.loadtxt(frame, dtype=np.float, delimiter=None, unpack=False)- frame：文件、字符串或产生器，可以是.gz 或.bz2 的压缩文件。
- dtype：数据类型，可选。
- delimiter：分割字符串，默认是任何空格。
- skiprows：跳过前面 x 行。
- usecols：读取指定的列，用元组组合。
- unpack：如果 True，读取出来的数组是转置后的。
保存和读取文件举例：
注意这里的 skiprows=1 的意思是忽略第一行数据。
3.3 numpy 独有存储格式
- 存储：
np.save('fname.np',array)或np.savez('fname.npz',array)。后者fname.npz是经过压缩的。 - 加载：
np.load(fname)。
4. 补充知识点
4.1 Axis 理解
方便大家理解，可以认为 axis=0 代表的是行 ，axis=1 代表的是列 。但其实不是这么简单理解的。这里具体解释一下这个axis 轴的概念。
简单来说， 最外面的括号代表着 axis=0，依次往里的括号对应的 axis 的计数就依次加 1：
操作方式：如果指定轴进行相关的操作，那么他会使用轴下的每个直接子元素的第 0 个，第 1 个，第 2 个…分别进行相关的操作。
二维的数组求和：
>>>x = np.array([[0,1],
[2,3]])
>>>x.sum(axis=0)
array([2, 4])
>>>x.sum(axis=1)
array([1, 5])按照 axis=0 的方式进行相加，那么就会把最外面轴下的所有直接子元素中的第 0 个位置 x[0][0] 与x[1][0]
进行相加，第 1 个位置 x[0][1] 与x[1][1]进行相加…依此类推。
按照 axis=1 的方式进行相加，那么就会把轴为 1 里面的元素拿出来进行求和，x[0][0]与 x[0][1] 进行相加，x[1][0]与 x[1][1] 进行相加…依此类推。
用 np.delete 在axis=0和 axis=1 两种情况下删除元素：
>>>x = np.random.randint(0,10,size=(3,5))
>>> np.delete(x,0,axis=0)
array([[0, 4, 2, 5, 2],
[2, 2, 1, 0, 8]]) #删除了行np.delete是个例外。我们按照 axis=0 的方式进行删除，那么他会首先找到最外面的括号下的直接子元素中的第 0 个，然后删掉，剩下最后一行的数据。
三维数组：
按照 axis=0 的方式进行相加：
按照 axis=1 的方式进行相加：
4.2 NAN 和 INF 值处理
意义解释：
NAN：Not A number，不是一个数字的意思，但是他是属于浮点类型的，所以想要进行数据操作的时候需要注意他的类型。INF：Infinity，代表的是无穷大的意思，也是属于浮点类型。np.inf表示正无穷大，-np.inf表示负无穷大，一般在出现除数为 0 的时候为无穷大。比如2/0
特点：
- NAN 和 NAN 不相等。比如
np.NAN != np.NAN这个条件是成立的。 - NAN 和任何值做运算，结果都是 NAN。
删除缺失值：
替换缺失值：
打开表格 scores.csv 可看到如下表格：
| 数学 | 英语 |
|---|---|
| 59 | 89 |
| 90 | 32 |
| 78 | 45 |
| 34 | nan |
| nan | 56 |
| 23 | 56 |
替换缺失值为 0：
4.3 深浅拷贝
在操作数组的时候，它们的数据有时候拷贝进一个新的数组，有时候又不是。这经常是初学者感到困惑。下面有三种情况：
不拷贝：
如果只是 简单的赋值，那么不会进行拷贝。示例代码如下：
a = np.arange(12)
b = a #这种情况不会进行拷贝
print(b is a) #返回 True，说明 b 和 a 是相同的View 或者浅拷贝：
有些情况，会进行 变量的拷贝 ，但是他们所 指向的内存空间都是一样的，那么这种情况叫做浅拷贝，或者叫做View(视图)。比如以下代码：
a = np.arange(12)
c = a.view()
print(c is a) #返回 False，说明 c 和 a 是两个不同的变量
c[0] = 100
print(a[0]) #打印 100，说明对 c 上的改变，会影响 a 上面的值，说明他们指向的内存空间还是一样的，这种叫做浅拷贝，或者说是 view深拷贝：
将之前数据 完完整整的拷贝一份放到另外一块内存空间中，这样就是两个完全不同的值了。示例代码如下：
a = np.arange(12)
d = a.copy()
print(d is a) #返回 False，说明 d 和 a 是两个不同的变量
d[0] = 100
print(a[0]) #打印 0，说明 d 和 a 指向的内存空间完全不同了。图例说明：
像之前讲到的 flatten 和ravel就是这种情况，ravel返回的就是 View，而 flatten 返回的就是深拷贝。
5. Numpy 实际应用
5.1 图像处理
以下简单举例 Numpy 数组在图像处理领域的应用：
读取图片并将其转化成数组数据：
处理数组数据并还原成图片：
图像处理库 Pillow(PIL)更多用法参考：https://www.cnblogs.com/yhjoker/p/10773444.html
官方文档：https://pillow.readthedocs.io/en/stable/index.html
欢迎各位看官及技术大佬前来交流指导呀，可以邮件至 jqiange@yeah.net