numpy要点总结

numpy库与python的基础语法有细微的区别，但大致上是一致的

NumPy（Numerical Python）是 Python 中一个基础且强大的科学计算库，为 Python 提供了高效的多维数组对象以及处理这些数组的工具。

 numpy数组与python列表区别：

        NumPy 数组是同质数据类型（homogeneous），即数组中的所有元素必须是相同的数据类型。数据类型在创建数组时指定，并且数组中的所有元素都必须是该类型

        Python 列表是异质数据类型（heterogeneous），即列表中的元素可以是不同的数据类型。列表可以包含整数、浮点数、字符串、对象等各种类型的数据。

一.ndarray对象：

         1.创建数组的方式：

（1）array创建数组

numpy.array(object, dtype = None, copy = True, order = None,ndmin = 0)

解释： 

object:该参数可以是列表，元组，字典，集合，字符串，range()函数等可迭代对象

import numpy as np   # 导入numpy库
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])   # 列表
print(arr)
print(type(arr))

arr01 = np.array((1, 2, 3, 4, 5, 6, 7, 8))   # 元组
print(arr01)
print(type(arr01))

arr02 = np.array(range(10))    # range()函数
print(arr02)
print(type(arr02))

 关于集合，字典作为object可迭代对象的参数，其打印结果有点不知其原因，

正在查找资料...

set01 = set(range(9))
arr03 = np.array(set01)  # 集合
print(arr03)
print(type(arr03))

arr04 = np.array('qwertyuiop')   # 字符串
print(arr04)
print(type(arr04))

arr05 = np.array({'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5})   # 字典
print(arr05)
print(type(arr05))

dtype:可以改变数组的数据类型，默认为数据本身的类型，既可以在初始化时设置数据类型，也可以查看数据类型

import numpy as np
arr = np.array([1, 2, 3, 4, 5], dtype=str)   # 原数据类型为整数型，转换为字符类型
print(arr)                # ['1' '2' '3' '4' '5']
print(arr.dtype)        # 查看数据类型 <U1，在NumPy中，U表示Unicode字符串，数字1表示字符串的最大长度这里每个字符串的最大长度为1d
print(type(arr))

copy: 可选参数，表示数组能否被复制，默认是 True。

当 copy=True 时，会创建输入数据的一个副本，对新数组的修改不会影响原始数据，反之亦然

当 copy=False 时，如果输入的数据本身就是一个 numpy.ndarray 对象，那么不会创建新的副本，而是返回对原数组的一个引用（视图）。此时，对新数组的修改会影响原始数组，反之亦然。 

import numpy as np
original = np.array([1, 2, 3])
new_array = np.array(original, copy=True)
# 修改新数组
new_array[0] = 100
print(original)  # 输出: [1 2 3]
print(new_array)  # 输出: [100 2 3]

import numpy as np
original = np.array([1, 2, 3])
new_array = np.array(original, copy=False)
# 修改新数组
new_array[0] = 100
print(original)  # 输出: [100 2 3]
print(new_array)  # 输出: [100 2 3]

补充：切片和copy()方法

copy() 方法:numpy.ndarray 对象有一个 copy() 方法，调用该方法会创建数组的一个完整副本。

import numpy as np
original = np.array([1, 2, 3])
new_array = original.copy()
# 修改新数组
new_array[0] = 100
print(original)  # 输出: [1 2 3]
print(new_array)  # 输出: [100 2 3]

 切片：返回的是数组的视图，不会复制数据，只是提供了一种不同的方式来访问原数组的数据。

import numpy as np
original = np.array([1, 2, 3, 4, 5])
view = original[1:3]
# 修改视图
view[0] = 100
print(original)  # 输出: [1 100 3 4 5]
print(view)  # 输出: [100 3]

注意：

冒号 : 的作用

• 表示范围: 冒号用于表示一个范围。例如，array[1:3] 表示从索引 1 到索引 3（不包括 3）的元素。

• 表示所有元素: 单独使用冒号表示所有元素。例如，array[:, 1] 表示所有行的第 1 列。

• 步长: 双冒号后面可以跟一个步长值，表示每隔多少个元素取一个。例如，array[::2] 表示每隔一个元素取一个。

注：冒号对于一维数组按索引号截取，二维数组按行和列截取。

省略号 ... 的作用

• 表示所有维度: 省略号用于表示数组的所有维度。例如，array[..., 1] 表示取所有行的第 1 列。

• 简化多维切片: 在多维数组中，省略号可以简化切片操作，避免显式地写出所有维度的索引。例如，一个4维的随机数组 arr，形状为 (2, 3, 4, 5)。在切片操作arr[0, ...]中0表示选取第1个维度的第0个元素，...表示其余维度全选。这样就避免了显式写出 arr[0, :, :, :]。  

order： 以哪种内存布局创建数组，有三个常用的取值：'C'、'F' 和 'A' ，一个不太常用的 'K'

1. order='C'（C 风格顺序，C-style order）

• 含义：采用行优先（row-major）的存储方式。在多维数组中，先存储第一行的所有元素，接着是第二行的元素，依此类推。对于一个二维数组 arr ，其元素在内存中是按行依次排列的，即 arr[0, 0]、arr[0, 1]、arr[0, 2] ... arr[1, 0]、arr[1, 1] ... 。

• 适用场景：C 和 Python 语言通常使用行优先的存储方式，因此当与这些语言编写的代码交互或者进行按行访问的操作时，使用 order&