7.20笔记

Numpy 是 Python 的一个科学计算包，包含了多维数组以及多维数组的操作。

为什么Python适合做数据分析?---》因为Python有一个完善的生态环境

为什么先学numpy？--》因为pandas是基于numpy进行开发的,

Numpy中最重要的一个对象就是ndarray

np.array() 就相当于我们学习过的list,int,str等等,将其他的数据类型转换为ndarray。

查看类型：

向上转换：

整型—>浮点型

强行转换：

指定数据类型，采用dtype参数：

==》a = np.array([3.14,4,2,4],dtype=’int64’)

查看ndarray数据类型的方法：用dtype

==》a.dtype

转换数据类型的方法：用astype

==》a.astype(np.bool_)

NumPy 数组在创建时有固定的大小，不同于Python列表（可以动态增长）。更改ndarray的大小将创建一个新的数组并删除原始数据。

np.eye(5) # M 行数量, N列数量, k对角线偏移

np.eye(5, k=1) # M 行数量, N列数量, k对角线偏移

np.diag([1, 2,3, 4])

np.diag([1, 2,3, 4], k=1)

np.full((3, 4), 666)

np.random.randint(1, 10) # 生成一个随机数

np.random.randint(1, 10,(4, 6) ) # 生成二维随机数组

np.random.random([3, 4]) # 同上, 参数不一样

np.random.uniform(5, 8, (3, 4)) # 均匀分布

np.random.rand(3, 4) # 0-1范围之内

根据中括号的层数来判断是几维数组

坐标轴axis: 三维数组中：最外到内层编号：0,1,2，即axis=0，axis=1，axis=2

Axis = 0，与axis=-3是一个轴

Axis = 1，与axis=-2是一个轴

Axis = 2，与axis = -1是一个轴

同一个：形状和数据都是独立的

视图（浅复制）：形状是独立的，但是数据是共享的

副本（深复制）：形状独立，数据独立，没有任何关系了

Reshape：改变数组的形状

变形的原则：元素个数不能变

拉伸成一维数组：ravel

转置：T

拼接：concatenate

二维数组的拼接：

np.concatenate([x2, b2], axis=0) # 外层轴拼接

np.concatenate([x2, b2], axis=1) # 内层轴拼接

np.concatenate([x2, b2], axis=-1) # 内层轴拼接

规约函数应用之后，数据维度都会下降

不知道轴，就会对所有数进行计算