Numpy ndarray 多維陣列物件-有解無憂

Numpy基礎

介紹

代碼操作

生成ndarray

ndarray的資料型別

Numpy 陣列計算

基礎索引和切片

布爾索引

特殊索引

陣列的轉換和換軸

總結

每文一語

Numpy基礎

介紹

目前它是Python數值計算中最為重要的基礎包，將numpy的陣列的物件作為資料互動的通用語，一般我們要充分理解好矩陣計算的原理，這需要你要有一些線性代數的基礎知識，在對資料處理、清洗、構造子集、過濾、變換以及其他計算的程序快速的進行向量化計算，后續也會介紹R語言，因為R語言就是一個原生態基于向量化計算的編程語言，

Numpy的核心特征之一就是一個N維陣列物件——ndarray,這是一個快速靈活的大型資料集容器，可以進行科學數值計算，

代碼操作

import numpy as np

匯入好包之后，我們隨機生成一個2*3的陣列，2行3列的隨機陣列

data=np.random.randn(2,3)

對陣列的簡單操作

data*10

>>array([[  9.00839244, -17.67421607,  -0.03125454],
       [ 19.79906711,  -2.62145167, -12.55106031]])

data+data

>>array([[ 1.80167849, -3.53484321, -0.00625091],
       [ 3.95981342, -0.52429033, -2.51021206]])

data.shape

>>(2, 3)

data.dtype

>>dtype('float64')

生成ndarray

生成陣列的最簡單的方法就是使用array函式，對于傳入的型別可以是其他任意的序列，如你傳入一個串列，那么它就會接收這個串列并轉換為陣列型別，如果傳入的是多個串列那么它就會接收多個，在線性代數里面我們叫這個是維度，比如下面的就是一個2行3列的矩陣，

data1=[[1,2,3],[4,5,6]]

arry1=np.array(data1)

arry1

>>array([[1, 2, 3],
       [4, 5, 6]])

arry1.ndim

>>2

arry1.shape

>>2, 3)

除了這個我們還可以使用其他的函式來創建陣列，比如給定了長度和形狀型別就會一次性創建完畢,這里是創建了一個2*3的元素是1的陣列

np.ones((2,3))
>>array([[1., 1., 1.],
       [1., 1., 1.]])

numpy里面也有像Python range（）函式一樣的效果——np.arange(),操作效果和Python的range函式有異曲同工之妙，start，stop，step都是可設定的，

對角矩陣生成

ndarray的資料型別

如何查看陣列的資料型別以及如何進行轉換，在numpy里面整型：int32，浮點型：float64.

Numpy 陣列計算

基于numpy的陣列計算在之前我也演示了一些，四則運算，加減乘除，以及一些陣列運算，每一個陣列與陣列之間的計算都是元素相互對于的，并不是獨立的，這個是我們需要理解清楚的地方，有趣的是，我們需要比較兩個相同維數的陣列，我們可以利用> < = 來查看，它回傳的是布林值，

基礎索引和切片

在一維的陣列里面，和Python串列里面的所有一樣，如果是高維的就有所不同了，就需要利用多重索引了,這里的變數和上面的一樣

如果產生了一個三位的陣列，比如一個2*2*3的陣列，我們按照索引，可以自動索引出來第一個的的陣列

對于高維的陣列的切片，我們需要注意的是，它的切片原理是按照陣列里面的陣列進行切片的，比如一個二維陣列（2*3*2）的，我們需要取出每個單位陣列里面的第一個元素，我們應該如何做

很明顯的我們可以看出多維陣列的切片特點：我這里抽象化為串列的特點來解釋，比如我們可以把多維陣列看做是一個串列里面的多個串列，也就是嵌套串列，然后我們按照索引來取，上述例子就是首先取出兩個大的陣列，然后從這個兩個大的陣列里面再去前兩個陣列，最后取出索引為0的元素，這樣層層遞減，一步一步的索引是numpy索引的特點，之所以大資料技術之分析與計算，要用到矩陣計算的優化，就是來源于它的分而治之的原理和特點，