Numpy 使用1
1、Numpy创建数组
import numpy as np
创建数组有以下方式：
(1).arange
numpy.arange([start, ]stop, [step, ]dtype=None)
np.arange(12)
np.arange(1, 10, 2): 1 3 5 7 9
np.arange(12).reshape(3,4)
np.arange(12).reshape( (3,4) )
(2).zeros ones empty 这3个类似的
numpy.zeros(shape, dtype=float, order='C')
numpy.ones(shape, dtype=None, order='C')
numpy.empty(shape, dtype=float, order='C')
np.zeros ((3,4))
np.zeros ((3,4), dtype=np.int16)
(3).linspace
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
np.linspace(1, 10, 10): 1 2 3 --- 10
注意：
输入数组shape的时候，都输入 (rows, cols) 是OK的。当数组为一维数组时，可以只输入一个数 m，也可以输入 (m)
另外注意 arange是类似python中的range， arange与linspace不同！
2、Numpy数组运算
(1). * 和 dot区别 *是每个元素运算，dot是矩阵乘法运算
*是 elementwise product
dot是matrix product
*是元素计算， dot是矩阵计算
(2).类型转换 自动转向高精度类型转换
(3).sum求和 可以指定axis（轴）
3、Numpy全局函数 exp sqrt conj 全局函数都是对每个元素操作
a=np.arange(12).reshape((3,4))
np.sum(a,axis=0)
axis使用：
numpy的第一维是列，第二维是行。
axis=0，按照 列 计算。
axis=1，按照 行 计算。
axis=None，对所有元素计算。
3、Numpy 索引 切片 迭代
类似python中的list。
对于一维数组 可以[2] [2:5] [:6:2] [::-1]
对于多维数组 可以 [ra:rb, cm:cn] a行到b行，m列到n列
若多维数组，第一个索引为数组的索引
如A = np.arange(12).reshape((3, 4))
A[0]表示第一行 或者写为 A[0, :]
A[:, 0]表示第一列
对A迭代遍历 for row in A 遍历每一行
A.flat表示对A所有数据进行遍历
4、Numpy 形状操作
shape ravel（将矩形变成一维） a.shape=(2,6) a.T转置
a.resize() a.reshape() 功能基本一样，reshape比resize的参数多一个。reshape的参数可以给-1，参数自动计算。
resize 对自身矩阵进行操作
reshape 返回新的矩阵
5、Numpy 矩阵堆叠 矩阵分割
vstack 垂直排列
hstack 水平排列
vsplit hsplit
6、Numpy 矩阵拷贝 和 可视化
（1）、不拷贝
a=np.range(12)
b=a b.resize( (3,4) ) a.resize( (6,2) ) ====> b is a == True
（2）、浅拷贝
s = a[:, 1:3]
s[:]=10 改变a的值
（3）、深拷贝
d=a.copy()
7、Numpy 数组索引
a = np.arange(12)**2
i = np.array( [ 1,1,3,8,5 ] )
a[i]
j = np.array( [ [ 3, 4], [ 9, 7 ] ] )
a[j]
a = np.arange(12).reshape(3,4)
b = a > 4
a[b] 只有b为True的元素
8、Numpy 画图
直方图
plt.hist(v, bins=50, normed=1)
matplotlib 和 numpy略有不同
9、Numpy 线性代数