python-numpy
np.array()/np.asarray()
# 对于非ndarray的数据 .array()和.asarray()是深拷贝
a=list(range(10))
a1=np.array(a)
a2=np.array(a)
# 对于ndarray的数据 .array()是深拷贝；.asarray()是浅拷贝
b=list(range(10))
b1=np.array(b)
b2=np.array(b)
reshape/resize
https://blog.csdn.net/weixin_38094100/article/details/115110443
reshape 是浅拷贝，且不支持inplace操作
np.reshape(data,(shape,...))
data.reshape(shape,...)
resize 是深拷贝，既支持inplace操作也支持非inplace操作
data.resize(shape,...) # inplace操作
np.resize(shape,...) # 非inplace操作
np.append()/np.concatnate()/np.insert()
np.concatnate()必须是同维度拼接
np.append()要注意
np.append(a,data) # 不同维度拼接会降维，相对维度数据就指定维度追加
a=np.arange(10).reshape(-1,5)
np.insert(a,1,[100,500],axis=1) # np.insert(ori,index,insert_data,axis)
data.view()是浅拷贝/data.copy()是深拷贝
生成结构化数据
https://blog.csdn.net/qq_45488242/article/details/105895653
通过字典来创建结构化数组的数据类型
import numpy as np
# versioin 1
d1={'names':('name','age','weight'),'formats':('U10','i4','f8')}
array1=np.zeros(4,dtype=d1)
# version 2
d2=[('name','U10'),('age','i4'),('weight','f8')]
array2=np.zeros(4,dtype=d2)
ndim/itemsize/flags
# ndim
len(data.shape)=data.ndim # data: ndarray
# itemsize
data.itemsize # 数据中每个元素的大小，以字节为单位
# flags
data.flags # 数组的存储形式，字节码呈现
frombuffer()/fromiter()???
http://c.biancheng.net/numpy/array-create.html
高级索引-感觉还要再看
https://blog.csdn.net/m0_50470999/article/details/108450726
https://blog.csdn.net/wangwenzhi276/article/details/53436694
迭代数组
默认列优先迭代
np.nditer(data)
for x in np.nditer(b,[order='C',[op_flags=['readwrite']]]): # order='F' F表示列优先;op_flags表示在迭代时是否为可修改
print(x,)
# 利用广播机制进行多个数组迭代
for x,y in np.nditer([a,b]):
pass
numpy也能处理字符串数据
np.char.xxx模块
http://c.biancheng.net/numpy/string-function.html
常见函数
data.flatten() # 展平，默认行优先 没有np.flatten()
data.squeeze()
np.squeeze(data) # 数据降维
np.concatnate((a,b)) # 不扩展维度
np.stack([a,b]，axis=expand_ndim) # 扩展维度
np.hstack([a,b]) # 行拼接
np.vstack([a,b]) # 列拼接
np.split(a,[index1,index2],axis) # 分割数组
np.hsplit() # 水平分割
np.delete(data,index,axis) # index 切片，沿轴整数数组
np.argwhere() # 返回满足条件的索引，以组合的形式表示，返回时的二维数据
np.where() # 返回满足条件的行、列索引，分开表示，返回的是tuple
np.nonzero() # 返回非0的索引，行、列分开返回
np.extrcat(condiction,data) # 自定义condiction条件 ，和条件索引一样数据降维
np.unique(data) # 返回无重复数组，数据降维
np.bitwise_and() # & 按位与
np.bitwise_or() # | 按位或
np.invert() # ~按位反
# 数学运算
np.degrees() # 将弧度制转换为角度制
np.around() # 四舍五入 # 奇数和偶数的区别！！！
np.floor() # 向下取整
np.ceil() # 向上取整
# 排序
np.sort() # 可以指定排序方法
np.argsort() # 返回排序后的索引，默认列优先
np.argmax()
np.argmin()
其他不常见函数
np.rollaxis()
np..swapaxes()
np.broadcast()
np.broadcast_to()
# 数学运算
# http://c.biancheng.net/numpy/arithmetic-operation.html
numpy矩阵与线性代数运算
numpy.matlib库
numpy.linalg库
