# array对象的背景
- Numpy的核心数据结构，就叫做Array就是数组，array对象可以是一维数组，月也可以是多维数组
- Python的List也可以实现相同的功能，但是array比List的优点在于性能好、包含数组元数据信息、大量的便捷函；
- Numpy成为事实上的Scipy、Pandas、Scikit-Learn、Tensorflow、PaddlePaddle等框架的”通用底层语言“
- Numpy的array和Python的List的一个区别，是它元素必须都是同一种数据类型，比如都是数字int类型，这也是Numpy高性能的一个原因
# array本身的属性
- shape：返回一个元组，表示array的维度
- ndim：一个数字，表示array的维度的数目
- size：一个数字，表示array中所有数据元素的数目
- dtype：array中元素的数据类型
# 创建array的方法
- 从Python的列表List和嵌套列表创建array
- 使用预定函数arange 、 ones/ones_like、zeros/zeros_likes、empty/empty_like、full/full_like、eye等函数创建
- 生成随机数的np.random模块构建
# array本身支持的大量操作和函数
- 直接逐元素的加减乘除等算术操作
- 更好用的面向多维的数组索引
- 求sum/mean等聚合函数
- 求线性代数，比如求解逆矩阵、求解方程组
# 1.使用Pytho的List和嵌套List创建一维的array和多维array
import numpy as np
#创建一个一维数组，也就是Python的单元素List
x = np.array([1,2,3,4,5,6,7,8])
#创建一个二维数组，也就是Python的嵌套List
X = np.array(
??? [
??????? [1,2,3,4],
??????? [5,6,7,8]
??? ]
)
X
# 2.探索数组array的属性
x.shape
X.shape
x.ndim
?
X.ndim
x.size
X.size
x.dtype
?
X.dtype
?# 3.创建array的便捷函数
- 使用arange创建数字序列
arange([start,]stop[,step,],dtype=None)
np.arange(10)
np.arange(2,10,2)?
- 使用ones创建全是1的数组
- np.ones(shape,dtype=None,order='C')
- shape:int or tuple of ints Shape of the new array,e.g.(2,3) or 2.
np.ones(10)
?
np.ones((2,3))
?
- 使用ones_like创建形状相同的数组
- ones_like(a,dtype=float,order='C')
np.ones_like(x)
?
?np.ones_like(X)
?- 使用zeros创建全是1的数组
- np.zeros(shape,dtype=None,order='C')
np.zeros(10)
np.zeros((2,4))
?
- 使用zeros_like创建形状相同的数组
- zero_like(a,dtype=None)
np.zeros_like(x)
np.zeros_like(X)
- 使用empty创建形状数组
- np.empty(shape,dtype=None,order='C')
- 注意：数据是未初始化的，里面的值可能是随机值不要用
np.empty(10)
?np.empty((2,4))
?- 使用empty_like创建形状相同的数组
- np.empty_like(prototype,dtype=None)
np.empty_like(x)
?np.empty_like(X)
?- 使用full创建指定值的数组
- np.full(shape,fill_value,dtype=None,order='C')
np.full(10,666)
np.full((2,4),333)
?
- 使用full_like创建形状相同的数组
- np.full_like(a,fill_value,dtype=None
np.full_like(x,666)?
np.full_like(X,666)
- 使用random模块生成随机数的数组
- randn（d0，d1,...,dn)
np.random.randn()?
np.random.randn(3)
?np.random.randn(3,2)
?np.random.randn(3,2,4)
?# 4.array本身支持的大量操作和函数
#这些操作用python实现需要写很多的for循环，而numpy就很简便
A = np.arange(10).reshape(2,5)
A
?A + 1
A * 3
?
?np.sin(A)
?np.exp(A)
B = np.random.randn(2,5)
B?
?A + B
?A - B
?
?
?
?
?
?
?
?