今天难得有闲暇时间，对numpy的基础进行以下梳理。
NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵。
创建数组：
使用列表创建数组，a=['a','b','c']
x = numpy.array(a)
首先介绍以下numpy的索引和切片：
a = np.arange(24).reshape((2,3,4)) #创建两个三行四列的矩阵
a = [[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
a[1,:]表示输出第1个矩阵的所有（矩阵编号从0开始）,所以此处a[1,:]=[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
a[:,1]表示输出所有矩阵的第一行，a[:,1] = [[ 4 5 6 7]
[16 17 18 19]]
a[:,0:2,1:3]表示输出所有矩阵的第0~2行的第1~3列（注意此处第2行与第3列取不到）,a[:,0:2,1:3]=[[[ 1 2]
[ 5 6]]
[[13 14]
[17 18]]]
a[:,:,::2]表示输出所有矩阵所有行列步长为2的所有列（步长可以理解为每次增长的步数）,a[:,:,::2]=[[[ 0 2]
[ 4 6]
[ 8 10]]
[[12 14]
[16 18]
[20 22]]]
names = np.array(['a','b','c','a','b','d','e']) #创建索引列
data = np.arange(28).reshape(7,4)
此时数据为下图这样
print(data[names == 'a'])输出索引为Bob的数据，输出结果为[[ 0 1 2 3] [12 13 14 15]]
可以结合切片，例如print(data[name=='a'],::2)，输出结果为[[ 0 2]
[12 14]]
numpy的修改操作：
a = np.arange(24).reshape((2,3,4)) a[:,0:2] = [[1,2,3,4],[2,2,3,4]]
输出a的结果为：
[[[ 1 2 3 4]
[ 2 2 3 4]
[ 8 9 10 11]]
[[ 1 2 3 4]
[ 2 2 3 4]
[20 21 22 23]]]
numpy的数据存储：
①.numpy提供了便捷的内部文件存取，将数据存为np专用的npy(二进制格式)或npz(压缩打包格式)格式
②.npy格式以二进制存储数据的，在二进制文件第一行以文本形式保存了数据的元信息（维度，数据类型），可以用二进制工具查看查看内容
③.npz文件以压缩打包文件存储，可以用压缩软件解压
例如：
x = numpy.array(['无敌','是','多么','寂寞'])
np.save('x.npy',x) # 存为.npy文件
y = np.arange(24).reshape(4,6)
np.savez("xy.npz", ar0 = a, ar1 = b)# 多个数组存入一个.npz压缩包
c = np.load('x.npy') # .npy文件读入数组
d = np.load("y.npz") # .npz压缩包读入
d["ar0"] # 单独输出数组
numpy 存储与读取csv文件：
存储：
只能存储ASCII编码格式，csv文件只能存储一维、二维数据，不能存储多维数据
np.savetxt(frame,array,fmt='%.18e',delimiter=None)
其中参数frame代表的含义为文件，可以是.gz等压缩文件，对大数据的存储比较有利，压缩后存取有利于节省资源
array代表存储文件的数组
delimiter代表分割字符串，默认为任何空格
fmt代表写入文件中每个字符串的格式，eg：%s(ASCII字符)
%d（整数）
%.2f(2位小数的浮点数)
%.18e(科学计数法)
读取：
np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)
frame代表文件、字符串或产生器，可以是.gz或bz2压缩文件
dtype代表数据类型，可选，代表CSV的字符串以什么数据类型读入数组中，默认np.float
delimiter代表分割字符串，默认是任何空格
skiprows代表跳过前X行，一般跳过第一行表头
usecols代表读取指定的列，索引，原组类型
unpack 如果为True，读入属性将分别写入不同数组变量，如果未False读入数据只写入一个数组变量，默认False