前言
大家应该都有所了解，下面就简单介绍下Numpy，NumPy(Numerical Python)是一个用于科学计算第三方的Python包。
NumPy提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。下面本文将详细介绍关于python中numpy包使用教程之数组和相关操作的相关内容，下面话不多说，来一起看看详细的介绍：
一、数组简介
Numpy中，最重要的数据结构是：多维数组类型（numpy.ndarray）
ndarray由两部分组成：
- 实际所持有的数据；
- 描述这些数据的元数据（metadata）
数组（即矩阵）的维度被称为axes，维数称为rank
ndarray 的重要属性包括:
ndarray.ndim：数组的维数，也称为rankndarray.shape：数组各维的大小，对一个n行m列的矩阵来说， shape 为 (n,m)ndarray.size：元素的总数。ndarray.dtype：每个元素的类型，可以是numpy.int32, numpy.int16, and numpy.float64等ndarray.itemsize：每个元素占用的字节数。ndarray.data：指向数据内存。
二、数组的使用
使用numpy前要先导入模块，使用下面的语句导入模块：
improt numpy as np #其中np为numpy的别名，是一种习惯用法
1.使用array方法生成数组
array，也就是数组，是numpy中最基础的数据结构，最关键的属性是维度和元素类型，在numpy中，可以非常方便地创建各种不同类型的多维数组，并且执行一些基本基本操作，生成数组的方法有一下几种：
以list或tuple变量产生以为数组：
> print np.array([1,2,3,4]) [1 2 3 4] > print np.array((1.2,2,3,4)) [ 1.2 2. 3. 4. ]
以list或tuple变量为元素产生二维数组或者多维数组：
> x = np.array(((1,2,3),(4,5,6))) > x array([[1, 2, 3], [4, 5, 6]]) > y = np.array([[1,2,3],[4,5,6]]) > y array([[1, 2, 3], [4, 5, 6]])
2.使用numpy.arange方法生成数组
> print np.arange(15) [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] > print type(np.arange(15)) <type 'numpy.ndarray'>
3.使用内置函数生成特殊矩阵（数组）
零矩阵
> print np.zeros((3,4)) [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]]
一矩阵
> print np.ones((3,4)) [[ 1. 1. 1. 1.] [1. 1. 1. 1.] [ 1. 1. 1. 1.]]
单位矩阵
> print np.eye(3) [[ 1. 0. 0.] [0. 1. 0.] [ 0. 0. 1.]]
4.索引与切片
> x = np.array(((1,2,3),(4,5,6))) > x[1,2] #获取第二行第三列的数 6
> y=x[:,1] #获取第二列 > y array([2, 5])
与python语法一致，不再举例。
5.获取数组属性
> a = np.zeros((2,2,2)) > print a.ndim #数组的维数 3 > print a.shape #数组每一维的大小 (2, 2, 2) > print a.size #数组的元素数 8 > print a.dtype #元素类型 float64 > print a.itemsize #每个元素所占的字节数 8
6.数组变换
多维转换为一维：
> x array([[1, 2, 3], [4, 5, 6]]) > x.flatten() array([1, 2, 3, 4, 5, 6])
一维转换为多维：
> print np.arange(15).reshape(3,5) #改变形状，将一维的改成三行五列 [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]
转置：
> x array([[1, 2, 3], [4, 5, 6]]) > x.transpose() array([[1, 4], [2, 5], [3, 6]])
7.数组组合
水平组合：
> y=x > numpy.hstack((x,y)) array([[1, 2, 3, 1, 2, 3], [4, 5, 6, 4, 5, 6]]
垂直组合
> numpy.vstack((x,y)) array([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]])
用concatenate函数可以同时实现这两种方式，通过指定axis参数，默认为0，垂直组合。
> numpy.concatenate((x,y)) array([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]) > numpy.concatenate((x,y),axis=1) array([[1, 2, 3, 1, 2, 3], [4, 5, 6, 4, 5, 6]])
8.数组分割
垂直分割
> z array([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]) > numpy.vsplit(z,2) #注意这里设置的分割数目必须可以被行数整除 [array([[1, 2, 3], [4, 5, 6]]), array([[1, 2, 3], [4, 5, 6]])]
水平分割
> numpy.hsplit(z,3) [array([[1], [4], [1], [4]]), array([[2], [5], [2], [5]]), array([[3], [6], [3], [6]])]
用split函数可以同时实现这两个效果，通过设置其axis参数区别，与组合类似，这里不在演示。
三、矩阵
通过上面对数组的操作可以知道，numpy中可以通过数组模拟矩阵，但是numpy也有专门处理矩阵的数据结构——matrix。
1.生成矩阵
> numpy.mat('1 2 3;4 5 6;7 8 9')
matrix([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
2.数组矩阵转化
矩阵转数组
> m=numpy.mat('1 2 3;4 5 6;7 8 9')
> numpy.array(m)
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
数组转矩阵
> n=numpy.array(m) > numpy.mat(n) matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
3.矩阵方法
求逆：
> m.I matrix([[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15], [ 9.00719925e+15, -1.80143985e+16, 9.00719925e+15], [ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15]])
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对的支持