Abstract
learing some basic operation of numpy
Referance
mofan python # 属性 - ndim：维度 - shape：行数和列数 - size：元素个数
导入模块
import numpy as np #为了方便使用numpy 采用np简写列表转矩阵
array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵
print(array)
"""
array([[1, 2, 3],
[2, 3, 4]])
"""属性
print('number of dim:',array.ndim) # 维度
# number of dim: 2
print('shape :',array.shape) # 行数和列数
# shape : (2, 3)
print('size:',array.size) # 元素个数
# size: 6Numpy 的创建 array
- array：创建数组
- dtype：指定数据类型
- zeros：创建数据全为0
- ones：创建数据全为1
- empty：创建数据接近0
- arrange：按指定范围创建数据
- linspace：创建线段
创建数组
a = np.array([2,23,4]) # list 1d
print(a)
# [2 23 4]指定数据 dtype
根据指定数据类型, 更高的精度速度会更慢,储存大小也随之扩大.
# specify the type of parameters
arr_int64 = np.array([1,2,3],dtype=np.int64)
print(arr_int64.dtype) # int64创建特定数据
普通创建2d矩阵
a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列
print(a)
"""
[[ 2 23 4]
[ 2 32 4]]
"""创建全零数组
a = np.zeros((3,4)) # 数据全为0，3行4列
"""
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
"""创建全一数组, 同时也能指定这些特定数据的 dtype:
a = np.ones((3,4),dtype = np.int) # 数据为1，3行4列
"""
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
"""创建全空数组, 其实每个值都是接近于零的数: > empty不像zeros一样，并不会将数组的元素值设定为0，因此运行起来可能快一些。在另一方面，它要求用户人为地给数组中的每一个元素赋值，所以应该谨慎使用。
a = np.empty((3,4)) # 数据为empty，3行4列
"""
array([[ 0.00000000e+000, 4.94065646e-324, 9.88131292e-324,
1.48219694e-323],
[ 1.97626258e-323, 2.47032823e-323, 2.96439388e-323,
3.45845952e-323],
[ 3.95252517e-323, 4.44659081e-323, 4.94065646e-323,
5.43472210e-323]])
"""用 arange 创建连续数组:
a = np.arange(10,20,2) # 10-19 的数据，2步长
"""
array([10, 12, 14, 16, 18])
"""使用 reshape 改变数据的形状
# reshape code
base_arr = np.arange(12)
print(base_arr)
# [ 0 1 2 3 4 5 6 7 8 9 10 11]
reshape_arr = np.reshape(base_arr,(3,4))
reshape_arr_1 = base_arr.reshape((3,4))
print(reshape_arr_1)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]用 linspace 创建线段型数据: > 等分区间
a = np.linspace(1,10,20) # 开始端1，结束端10，且分割成20个数据，生成线段
"""
array([ 1. , 1.47368421, 1.94736842, 2.42105263,
2.89473684, 3.36842105, 3.84210526, 4.31578947,
4.78947368, 5.26315789, 5.73684211, 6.21052632,
6.68421053, 7.15789474, 7.63157895, 8.10526316,
8.57894737, 9.05263158, 9.52631579, 10. ])
"""numpy 的几种基本运算
让我们从一个脚本开始了解相应的计算以及表示形式 ：
import numpy as np
a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
b=np.arange(4) # array([0, 1, 2, 3])numpy 的几种基本运算
上述代码中的 a 和 b 是两个属性为 array 也就是矩阵的变量，而且二者都是1行4列的矩阵， 其中b矩阵中的元素分别是从0到3。 如果我们想要求两个矩阵之间的减法，你可以尝试着输入：
c=a-b # array([10, 19, 28, 37])****有所不同的是，在Numpy中，想要求出矩阵中各个元素的乘方需要依赖双星符号 **，以二次方举例，即：
c=b**2 # array([0, 1, 4, 9])另外，Numpy中具有很多的数学函数工具，比如三角函数等，当我们需要对矩阵中每一项元素进行函数运算时，可以很简便的调用它们（以sin函数为例）：
c=10*np.sin(a)
# array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])此时由于进行逻辑判断，返回的是一个bool类型的矩阵，即对满足要求的返回True，不满足的返回False。上述程序执行后得到的结果是[True True True False]。 需要注意的是，如果想要执行是否相等的判断， 依然需要输入 == 而不是 = 来完成相应的逻辑判断。
角度弧度转换以及判断输出
# sin cos tan ... 0~360°: angle => radian
sin_arr = np.arange(0,360,1)
h = np.sin(sin_arr*np.pi/180)
print(h)
print(abs(h)>0.5)上述运算均是建立在一维矩阵，即只有一行的矩阵上面的计算，如果我们想要对多行多维度的矩阵进行操作，需要对开始的脚本进行一些修改：
# multi dimensional array
aa = np.array([[1,2,3],[4,5,6]])
bb = np.arange(6).reshape(2,3)
print(aa)
print(bb)此时构造出来的矩阵a和b便是2行2列的，其中 reshape 操作是对矩阵的形状进行重构， 其重构的形状便是括号中给出的数字。 稍显不同的是，Numpy中的矩阵乘法分为两种， 其一是前文中的对应元素相乘，其二是标准的矩阵乘法运算，即对应行乘对应列得到相应元素： ## 点积(数量积) 
c_dot = np.dot(a,b)