1、为什么使用Numpy数组结构代替Python本身的列表？
- 列表list的元素在内存是分散存储，而NumPy数组存储在一个连续的内存中。numpy数组遍历比列表list更高效。
- 因为连续存储，可以连续加载多个浮点数到寄存器，从而利用CPU的多核，并行计算。
2、python列表和numpy数组的差异
| 差异方面 | python列表 | numpy数组（ndarray） |
|---|
| 数据类型 | 可以包含不同的数据类型（例如：str类型和int类型可在同一个列表中） | 数组中所有的元素必须是相同的数据类型（例如：一个数据中必须全是整数，或者全是浮点数） |
| 内存效率 | 列表中存储的是对象的引用（也就是只想原始数据的指针），原始数据存储在内存的其他位置，因此内存开销大； | 直接在一片连续的空间内存储原始数据，内存占用比列表小很多 |
| 性能表现 | 通常需要使用python解释器循环，运算速度较慢 | 底层采用C语言实现，支持向量化操作，运算速度快（通常快10-100倍） |
| 维度 | 一维，但可以用嵌套李彪模拟多维 | 支持多维数组 |
| 功能实现 | 采用append、insert、remove等函数，不支持直接的数学运算 | 丰富的数据运算（矩阵的加减乘除等、线性代数运算）、广播机制、高级索引 |
| 可变性 | 动态大小，可通过内置函数增减元素 | 底层是C语言实现的，因此ndarray数组创建后大小固定不变 |
3、创建ndarray数组
-
array([]) ：创建指定的数组
-
zeros((行数，列数)) ：创建满足行数和列数的 全是0的数组
-
ones((行数，列数)) ：创建满足行数和列数的 全是1的数组
-
full((行数，列数),指定数字)： 创建满足行数和列数的 全是指定数字的数组
-
empty((行数,列数)) ： 创建满足行数和列数的数组，其内容取决于内存当前的状态
- 可能的值是：之前程序使用的残留值、随机垃圾值、极大或者极小的值
-
zeros_like(已有的数组)：根据已有数组的形状创建全是0的数组
-
ones_like(已有数组)：根据已有数组的形状创建全是1的数组
-
empty_like(已有数组)：根据已有数组的形状创建未初始化的数组
-
arange() ：类似python中的range(start,end,step) ，生成有规律的序列
-
linspace(start,end,总数) ：生成一个开始到结束之间共总数个数字（平均分配区间）
import numpy as np
arr1 = np.array([1, 2, 3, 4])
arr2 = np.array([[1, 2], [3, 4]])
zeros = np.zeros((3, 4))
ones = np.ones((2, 3))
empty = np.empty((2, 2))
full = np.full((3, 3), 7)
ones_like = np.ones_like(arr1)
zeros_like = np.zeros_like(arr2)
empty_like = np.empty_like(arr2)
range_arr = np.arange(10)
lin_arr = np.linspace(0, 1, 5)
4、 数组的数据类型
- 有符号的数据类型：有一位代表符号位。例如：
int8,中11111111 表示 -127 - 无符号的数据类型：所有的位置都表示数字。例如：
uint8中11111111表示255 - astype(数组类型)：将数组的类型转化成指定的数组类型
| 类型 | 类型代码 | 说明 |
|---|
| int8, uint8 | i1, u1 | 有符号和无符号的8位（1个字节）整型 |
| int16,uint16 | i2, u2 | 有符号和无符号的16位（2个字节）整型 |
| int32,uint32 | i4, u4 | 有符号和无符号的32位（4个字节）整型 |
| int64,uint64 | i8, u8 | 有符号和无符号的64位（8个字节）整型 |
| float16 | f2 | 半精度浮点数 |
| float32 | f4或f | 标准的单精度浮点数。与C的float兼容 |
| float64 | f8或d | 标准的双精度浮点数。与C的double和Python的float对象兼容 |
| bool | ? | 存储True和False值的布尔类型 |
| object | 0 | 任意python对象， |
| bytes_ | S | 固定长度的ASCII（无中文）字符串类型（每个字符1个字节）。例如，要创建一个长度为10的字符串，应使用’S10’ |
| unicode_ | U | 固定长度的Unicode类型（字节数由平台决定）；与字符串的指定语法一样（如‘U10’） |
arr = np.array([1,2,3,4,5])float_arr = arr.astype(np.float64)
5、数组属性
- 数组变量.ndim ：显示数组变量的维度
- 数组变量.shape ：显示数组的形状
- 数组变量.size ：显示数组的元素个数
- 数组变量.dtype ：显示数组的数据类型
- 数组变量.itemsize ：显示每个元素的字节大小
- 数组变量.ndytes ：显示数组的总字节
- 数组变量.T：将数组进行转置
- 数组变量.flags：查看数组在内存中的相关信息
C_CONTIGUOUS ：True的时候，数组按行存储。即：a11 → a12 → a13 → a21 → a22 → a23F_CONTIGUOUS ：True的时候，数组按列存储。即：a11 → a21 → a12 → a22 → a13 → a23F_CONTIGUOUS和 C_CONTIGUOUS 是相对的，一个为True另一个一定是False
- 数组变量.strides：在内存中移动到相邻数组元素所需的字节步长。
arr = np.array([[1, 2, 3], [4, 5, 6]]，oeder = 'C')print(arr.ndim)
print(arr.shape)
print(arr.size)
print(arr.dtype)
print(arr.itemsize)
print(arr.nbytes)
print(arr.T)
print(arr.flags)
print(arr.strides)
6、ndarray的简单运算和形状变换
- 广播机制：NumPy的广播功能允许不同形状的数组进行算术运算
- 规则一：如果两个数组的维度数不同，形状会在较小的数组前面补1
A形状：(3,4,2)、B形状： (4,1)——>B形状广播成（1,4,1） - 规则二：对于每个维度，大小要么相等，要么其中一个为1，要么其中一个不存在
A形状：(3,4,2)、B形状广播后的形状（1,4,1）
第一维度：3，1：存在1，可兼容
第二维度：4，4：大小相等，可兼容
第三维度：2，1：存在1，可兼容 - 规则三：在维度大小为1的情况下，数组会沿着该维度"拉伸"以匹配另一个数组的形状
A形状：(3,4,2)、B形状广播后的形状（1,4,1）
第一维度：3，1：B的第一维度复制三次（3,4,1）
第二维度：4，4：大小相等，可兼容（3,4,1）
第三维度：2，1：B的第三维度复制两次（3,4,2）
- 数组与标量（单纯的一个数字）的算术运算标量值传播到数组的各个元素
- 基础的
+ - * / 运算 - reshape((行，列))：将数组的形状转化成指定的形状
- flatten()：将数组转化成一维数组
- T：将数组转置（行形状变成列形状；列形状变成行形状）
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])print(a + 3)
print(a * b)
print(1 / arr) 相当于1除以每个数字
print(arr ** 2) 相当于arr中每个元素做平方操作
print(arr * 6) 相当于每个元素都×6arr = np.arange(6)print(arr.reshape(2, 3))
print(arr.flatten())
print(arr.T)
