numpy学习一（文章内容来源于Numpy中文文档）

基础知识

　　numpy的主要对象是同构多维数组，是一个元素表（通常为数字），所有类型都相同。由非负整数元组索引。在numpy中维度称为轴。

numpy的数组类调用：

• ndarray.ndim - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
• ndarray.shape - 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n行和 m 列的矩阵，shape 将是 (n,m)。因此，shape 元组的长度就是rank或维度的个数 ndim。
• ndarray.size - 数组元素的总数。这等于 shape 的元素的乘积。
• ndarray.dtype - 一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
• ndarray.itemsize - 数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。
• ndarray.data - 该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素

  >>> import numpy as np
  >>> a = np.arange(15).reshape(3, 5)
  >>> a
  array([[ 0,  1,  2,  3,  4],
         [ 5,  6,  7,  8,  9],
         [10, 11, 12, 13, 14]])
  >>> a.shape
  (3, 5)
  >>> a.ndim
  2
  >>> a.dtype.name
  'int64'
  >>> a.itemsize
  8
  >>> a.size
  15
  >>> type(a)
  <type 'numpy.ndarray'>
  >>> b = np.array([6, 7, 8])
  >>> b
  array([6, 7, 8])
  >>> type(b)
  <type 'numpy.ndarray'>

  常见错误：

  >>> a = np.array(1,2,3,4)    # WRONG
  >>> a = np.array([1,2,3,4])  # RIGHT

• 在创建时显式指定数组的类型：

  >>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
  >>> c
  array([[ 1.+0.j,  2.+0.j],
         [ 3.+0.j,  4.+0.j]])

  函数zeros创建一个由0组成的数组，函数 ones创建一个全是1的数组，函数empty 创建一个数组，其初始内容是随机的，取决于内存的状态。默认情况下，创建的数组的dtype是 float64类型的

• 当arange与浮点参数一起使用时，由于有限的浮点精度，通常不可能预测所获得的元素的数量。出于这个原因，通常最好使用linspace函数来接收我们想要的元素数量的函数，而不是步长（step）

  >>> from numpy import pi
  >>> np.linspace( 0, 2, 9 )                 # 9 numbers from 0 to 2
  array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
  >>> x = np.linspace( 0, 2*pi, 100 )        # useful to evaluate function at lots of points
  >>> f = np.sin(x)