来自：https://docs.scipy.org/doc/numpy/user/quickstart.html版权作者所有
right @https://docs.scipy.org/doc/numpy/user/quickstart.html
1 安装
win与linux都可用pip安装numpy，记得改源。
想知道代码什么效果，可以自己玩一下
2 ndarray基础
2.1 简单生成，主要看属性
import numpy as np ex = np.arange(18).reshape(3,6) ex.shape ex.ndim ex.dtype.name ex.itemsize#单元素字节数 ex.size#18个元素 type(ex)
2.2 其他生成
ex = np.array([1,2,3],dtype=np.int16) ex = np.ones((2,2),dtype = np.int16) ex = np.zero((2,5),dtype = complex)
ex = np.random.random((2,3)) ex = np.empty((10,10),dtype = np.int16) ex = np.array([[1,2],[3,4]]) ex = np.arange(0,0.5,4) from numpy import pi ex = np.linspace(0,pi,5)#0到pie中间取五个
def f(x,y):
return x*10+y
b = np.fromfunction(f,(3,2),dtype = np.int16)#建立数组会把二维索引放到二元函数f中跑一圈，结果当作该索引处的元素值
2.3 操作符
A*B#矩阵内元素直接相乘 A.dot(B)#矩阵乘法 np.dot(A,B)
B+=B#会直接更改B矩阵 A+=B#A int B float,则本句报错，python不会私自降你精度
a.max() a.min() a.sum()
a.sum(axis = 1)#指定维度求和 a.min(axis = 0) a.cumsum(axis = 1)#每个位置是之前的累加
2.4 通用函数
np.exp(B)#指数 np.sqrt(B)#开根 np.add(B,C)#相加
2.5 index and slice
与python相同，所以更简略的记一下：
b = a[:6:2]#从头到第六个，每隔两个取一个
for i in a
print i
B[-1]#想得到所有元素，直接输入一个不存在的索引
B[1,...]#第一维取第一个元素，其他维都给我取出来(1,x,y,..)
B[1,2,...,:]
B[1,...,:,1]
B[...,1,2]
for r in B:#按行打印
print(r)
for e in B.flat:#逐元素打印
print(e)
2.6 Shape Manipulation
不论多少维度的数组在内存中不过是有序的数值，所以随便改变维度，也能还原回去ravel都不需要复制，直接读内存就是这样的。numpy用的是c语言的存储形式。
a.ravel()#所有张量拍扁，全变成一维的，不会改变原有矩阵的维度 a.reshape(3,4)#改变组织形式
a.T#转置
a.resize(2,6)#直接改变a的组织形式，a维度变了 a.resize(2,-1)#比方说你数学很差，你不知道第一个维度2，后一个是6，你写-1，numpy会帮你计算
2.7 顺着数轴拼接矩阵
vstack(a,b)#上下码，增加行长度 hstack(a,b)#左右码，增加列长度
from numpy import newaxis np.column_stack((a,b))#只有二维左右码效果同hstack，但是一维组合不同于hstack。这个函数很奇葩，如果是行向量，它会上下码，列向量会左右码，反正无论如何你都得变成二维
np.rowstack((a,b))却和vstack不论维度的功能一致。
concatenate这个函数可以指定axis。
np.c_[1:4]#觉得列向量自动生成不知道冒号放在哪？那么这个神奇的函数可以给你直接生成列向量，原理是，将得到的元素上下堆砌。
np.r_[1:4,3,5,22]
2.8 大数组分解为若干小数组
np.hsplit(a,2)#将a每行左右分成两半 np.hsplit(a,(2))#将a在第二列后切一刀 np.hsplit(a,(2,3,4,5))#在2345后分别切一刀 np.vsplit(a,2)#与上面不同的是这个切的是列 np.vsplit(a,(2))
更自由的切割：np.array_split(a,3,axis=0)
2.9 复制
毕竟比c高级的语言，你不知道函数的具体实施有没有复制你的数组，还是直接改，这个还是需要留意的。必须留意。
- 完全不复制
相当于直接将b这个名字指代的地址填写成了a的地址。打个比方，一件商品有一个标签，那么YSL口红上面系了价格标签a，然后你手里面还有个标签b，比如说是打五折的标签（五折！做梦都别想），你把b系到这只口红上，你顺着a，b的绳子，都指的是这只ysl口红。
b=a
def f(x):
b=x
- 介于复制与不复制之间的view
view()相当于每个元素都指向之前的元素，所以新数组改变了，也会修改原始矩阵的值，却没有办法改变原始矩阵的形状，也就是整体的数据不是指针，只有内在的每个元素是指针。本质上依旧是新的数据，需要新的内存。只不过存的是指针罢了。
实现手法官方没写在这。仅仅是我要达到这种效果我就会这么写，实际上我也不知道他怎么写的，效果的确是这样没错。
c = a.view() c is a #False c base is a #True c.flags.owndata #False c.shape = 2,-1# a的形状不改变 c[0,0]=23#a的数值也会改变，不论c的形状变成什么样
h = a[1:5] h[3] = 445#同时a的值也会改变，等同于view
- 复制
co = a.copy()
相当于申请个内存，然后挨个元素复制，然后再让co地址指向新的内存
好了，基础的操作就结束了
以下内容引用 cite from https://docs.scipy.org/doc/numpy/user/quickstart.htmlArray Creation
arange,
array,
copy,
empty,
empty_like,
eye,
fromfile,
fromfunction,
identity,
linspace,
logspace,
mgrid,
ogrid,
ones,
ones_like,
r,
zeros,
zeros_like
Conversions
ndarray.astype,
atleast_1d,
atleast_2d,
atleast_3d,
mat
Manipulations
array_split,
column_stack,
concatenate,
diagonal,
dsplit,
dstack,
hsplit,
hstack,
ndarray.item,
newaxis,
ravel,
repeat,
reshape,
resize,
squeeze,
swapaxes,
take,
transpose,
vsplit,
vstack
Questions
all,
any,
nonzero,
where
Ordering
argmax,
argmin,
argsort,
max,
min,
ptp,
searchsorted,
sort
Operations
choose,
compress,
cumprod,
cumsum,
inner,
ndarray.fill,
imag,
prod,
put,
putmask,
real,
sum
Basic Statistics
cov,
mean,
std,
var
Basic Linear Algebra
cross, dot, outer, linalg.svd, vdot