Numpy

->ndarray的基本操作

->创建：arr=np.array([])，np.random.randint(a,b,size=(r,c))

单位矩阵：行=列，主对角线为1，其余为0，arr.eye(a)

标准正态分布随机数（均值为0，标准差为1）：arr=np.random.randn(r,c)/arr=np.random.randn(x)

随机矩阵：arr = np.random.rand(r.c)

->查找：arr.shape，arr.dtype，arr.size

np.linspace(a,b,space)，一维：arr[index]

二维：arr[index_r,index_c]（切片：下标可用":"，代表一整行/列。":"左右两边可用数字，代表起始和终点，左闭右开）

->修改：arr_2_6=arr.reshape(2,6)，flat=arr_2_6.flatten()

行列对调：arr.transpose()/arr.T

小结：

和Python原生数组的区别是

Numpy是同质量类型（数据类型全相同），

向量化操作（arr_1+arr_2，对应下标值会相加，和数学中向量的加减乘除类似），

Python原生是内存不连续的，Numpy内存是连续的。

用索引访问返回的是副本（分配新的内存，修改副本后原数组不会变化），切片（":"）返回的是试图（共用内存，修改视图后原数组也会变化）。

形状变换不会改变内存，只改变视图。

->广播

->之所以叫广播，是因为“补齐”操作没有修改内存，而是复用原有内存里存的值，像一个区域对广大区域广播一样。可以是广播一点，也可以广播一行。

暂时无法在飞书文档外展示此内容

小结：

从后往前比较维度，兼容就扩展为相同大小。

->数学运算

->均值：求每行比均值ave=arr.mean(axis=1,keepdims=True)，keepdims=True：假如有两行，各自求了两行的均值后，数组是[ave_1,ave_2]，加了这个参数后[[ave_1],[ave_2]]，便于后续的运算。每个数字减去均值后，有大于0等于0、小于0三种情况，可以明显的反应出与均值的差异，这个操作叫做去中心化。

->最大值：np.max(arr)，不加axis，默认全部数据里求。

->最大值下标：np.argmax(arr)，不加axis，默认全部数据里求。

->标准差：np.std(arr)，不加axis，默认全部数据里求。可以看出数据的波动性。

->累计和：np.cumsum(arr, axis=0/1)。arr=[1,2,3]，arr_=np.cumsum(arr,axis=1)，arr=[1,1+2,1+2+3]。

->求和：np.sum()。

->高级索引

->花式（数组）索引：arr[[2,3,4]]（取出2，3，4行），arr[[2,3],[4,5]]（取出[2,4]和[3,5]），返回的是副本。

->布尔索引：arr[arr>5]（取出大于5的元素）。

->组合条件：arr[arr>5 & arr<8]（取出大于5小于8的元素）。支持&、|、!（与、或、非）。

小结：

花式索引返回的是副本。

->数组合并与分割

->合并：np.vstack((a,b))（垂直合并，列数相同），np.hstack((a,b))（水平合并，行数相同），np.concatenate((a,b),axis=0)（通过合并，axis指定轴）。

->分割：np.vsplit(arr,3)（垂直均分为3份），np.hsplit(arr,3)（水平均分为3份），np.split(arr,3,axis=1)（通用均分,可传入axis参数），np.split(arr,[2,3])（指定具体怎么分）。

• 第 1 段：索引 0 到 1（即 arr[:2]，不包含索引 2）。

• 第 2 段：索引 2 到 4（即 arr[2:5]，包含 2，不包含 5）。

• 第 3 段：索引 5 到末尾（即 arr[5:]，包含 5）。

小结：

合并时列数/行数要注意是否相同。

->文件操作