Numpy常见方法（1）-创建numpy对象和numpy基本属性、numpy的切片及常见错误和numpy常见通用函数

说明：本blog基于python3版本, numpy 1.19.5

---

前言

我们在Numpy常见方法（0）中详细介绍了numpy在做大量数据运算处理的优势及底层原理，本文主要是介绍如何把numpy应用到实际工作中，包括三个方面：创建numpy对象和numpy基本属性、numpy的切片和numpy常见通用方法。
在这之前我首先介绍一个贯穿numpy应用的概念：ndarray；ndarray是python的一个大型，快速的数据集容器，所有ndarray类型的数据都存放在该容器中；该容器中的所有ndarray对象都有两个基本属性：shape 和 dtype。

一、创建numpy对象和numpy基本属性

numpy对象的创建主要是通过 numpy.array() 方法，该方法的作用对象是序列型数据，包括列表list，元组tuple，数组range, 和其他序列型数据。我们应用numpy.array() 方法时只需记住公式： numpy.array(序列型数据)

首先，我们用代码演示一下如何生成numpy对象

import numpy as np
a_list = [1,2,3]
b_tuple = (1,2,3)
c_range = range(3)

a = np.array(a_list)
b = np.array(b_tuple)
c = np.array(c_range)

print(a)
print(b)
print(c)

结果如下，

[1 2 3]
[1 2 3]
[0 1 2]

OK，我们接下来介绍一下每个ndarray类型的数据都具有的两个基本属性，shape和dtype
shape 返回的是ndarray类型数据的“形状”， 学过线性代数的同学都知道，一个高维数据都是有“形状的”， 比如 N * M， 代表一个数据由N行M列组成，是一个二维数据；那么我们演示一下如何使用shape方法获得数据的维度；
假设我们现在创建一个3维数据

import numpy as np
a = np.array([[[1,2,3,3],[1,2,3,3],[1,2,3,3]], [[6,7,8,8],[6,7,8,8],[6,7,8,8]]])
b = a.shape
print(b)

结果如下，

(2, 3, 4)

也就是说我们目前设置的a是一个 2 * 3 * 4的三维ndarray；有同学可能困惑如何计算a的维度，其实很简单，记住一个原则：从外往里扒括号
本题中最外层是两个并列元素，[[1,2,3,3],[1,2,3,3],[1,2,3,3]] 和 [[6,7,8,8],[6,7,8,8],[6,7,8,8]]；第二层是三个并列元素， [1,2,3,3],[1,2,3,3],[1,2,3,3] 或者 [6,7,8,8],[6,7,8,8],[6,7,8,8]；最内层是4个并列元素，[1,2,3,3] 或 [1,2,3,3]或[1,2,3,3] 或 [6,7,8,8]或 [6,7,8,8]或 [6,7,8,8]；如果想有一个整体概念，可以把每个维度分别对应长宽高，那么这里的变量a 就是一个十足的长方体！是不是对高维矩阵有了更深的认识？！

另外一个基础属性是dtype， 这个属性可以帮助我们更改或确定ndarray类型数据内部元素的基本属性，比如，如果我们在创建ndarray数据时想让ndarray中的元素为 双精度浮点数，那么我们在np.array()方法中加入dtype属性名，并设置为 dtype = numpy.float64;
【注：有的元素不能成功转化为我们想要的数据类型，比如我们把string类型的数据转化为双精度浮点数类型（numpy.float）的数据时，就会报ValueError！！！】
我们用代码演示一下dtype属性以及如何更改ndarray类型中元素的数据类型
（常用astype方法）

import numpy as np
###我们首先把a中的元素数据类型设置为双精度浮点数
a = np.a