numpy可以简单的认为是和列表类似的容器的对象（可以简单理解为多维列表，但实际要比列表复杂），里面也可以存储任意对象，它的底层是C实现的，所以比python效率要高，并且提供多种方法

1 简介（pandas会比numpy更好）

numpy:开源的python科学计算模块，用于数据快速处理；

numpy支持矩阵与数组操作，计算速度快，是Python中科学计算的基础库；

numpy优点：

1：底层使用C语言实现，计算速度快

2：numpy支持均值，累积和，方差等运算，可以直接使用；

3：numpy处理数据方式灵活，支持excel, csv等多种方式数据导入；

2 安装

方式1：pip install numpy

方式2：anaconda环境：自带numpy,不用安装

numpy官方文档： https://numpy.org/doc/ (https://numpy.org/doc/) numpy

源码： https://github.com/numpy/numpy

3 使用

3.1 导入

使用np.array()创建对象

3.2 创建ndarray

3.2.1 ndarray基本概念

np.array() = 把 Python 列表 / 元组 / 数据 → 变成 NumPy 数组（ndarray）

关键参数（只记这 4 个就够）
① object（必须传）：将各种类型的数据转换为数组
你要转成数组的数据：列表、元组、数字、其他数组都行。

② dtype（指定数据类型）
③ ndmin（强制最小维度）

④ copy（是否复制数据）
默认 True = 复制一份False = 不复制，直接用原数据（尽量别乱改）

3.2.2 ndarray的轴和秩

轴（axis）：：每一个线性的数组称为是一个轴

        第一个轴（axis=0）：第一层数组，

        第二个轴（axis=1）：数组里的数组

        依次类推；

数组中轴的拆解：最外面一层是0轴，依次往里增加

按照轴进行相应计算，需要清楚按的是哪个轴计算

3.2.3 ndarray相关属性

3.2.4 【⭐】创建ndarray对象(基本方式)

3.2.4.1 np.zeros【0数组】

传入参数用列表和元组是等价的

3.2.4.2 np.empty【空数组】

快速创建一个指定形状的数组，但不初始化值（里面是随机垃圾数）

3.2.4.3 np.ones【1数组】

3.2.4.4 np.full【任意填充数组】

创建一个指定形状，所有元素都等于你指定值的数组

如果以数组为填充值，那么填充的形状一定要适配填充值的形状，不然会报错的

zeros 和 ones 就是 full 的特例！

3.2.4.5 np.arange【NumPy 版的 range，生成一段连续数字的数组】

左闭右开：包含起点，不包含终点

• np.arange(stop) → 0 ~ stop-1
• np.arange(start, stop) → start ~ stop-1
• np.arange(start, stop, step) → 按步长走
• 左闭右开，不含终点
• 整数用它，小数用 linspace(arange精度不太好)

3.2.4.6 np.linspace【线性数组⭐】

生成一段均匀间隔的数字数组，你直接指定要多少个数 **，它自动算步长 **

• np.arange：你定步长，自动算个数（不包含结尾）
• np.linspace：你定个数，自动算步长(默认个数是50)（包含结尾）

✅ linspace 默认包含起点和终点

✅ 小数、整数都非常稳定，不会出错

\

3.2.4.7 np.zeros_like/empty_like/ones_like/full_like【仿写数组⭐】

创建和指定数组形状一样的0/1/空数组

✅ zeros_like = 克隆数组形状 → 填 0

✅ 不用手动写 shape，更安全

以np.zeros_like为例：

3.2.5 创建ndarray对象（使用随机数：np.random相关方法）

3.2.5.1 np.random：

专门给数组生成随机数的工具它生成的直接是 NumPy 数组，适合科学计算、矩阵、批量数据。

3.2.5.2 np.random.rand(shape)：生成 0~1 之间均匀随机数组，给出指定维度的随机数

np.random.rand(2, 3) # 2行3列

3.2.5.3 np.random.randint(low, high, size)：生成整数随机数组

np.random.randint(0, 10, size=(2,3)) # 0~9 的整数

3.2.5.4 np.random.random(size)：和 rand 类似，0~1 随机数

np.random.random((2, 3))

注意与.rand()的区别，一个给的是形状，一个给的是更直接的尺寸

3.2.5.5 np.random.randn(shape)：生成标准正态分布（均值0，方差1）

 3.2.5.6 np.random.uniform(low, high, size)
指定范围均匀随机小数

  3.2.5.7 np.random.normal(均值, 标准差, size)：正态分布

   3.2.5.8 np.random.choice(arr, size)：从数组里随机选择

    3.2.5.9 np.random.seed()：固定随机种子，让结果可复现

3.2.6 【⭐】创建ndarray对象（reshape（指定的形状）方法【将数组格式重新定义】）

重置形状的数组元素的个数要与原数组一致

3.2.7 创建ndarray对象（ndarray对象转其他数据结构）

将arange格式转换为其他数据结构：列表、字符、文件等等

3.3 ndarray的数据类型

常用的有整数、浮点和字符串

例如整数：int8:8位有符号的整数，uint16:16位无符号的整数

3.3.1 查看数据类型

3.3.1.1 np.sctypeDict（将简写的数据类型转换为标准的numpy格式，查询字典）

这是一个 Python 字典（dict），长度 50，是 NumPy 内部用来管理数据类型对应关系的核心字典。

键（key）：类型名字符串（如 'bool', 'int', 'float32'）

值（value）：真正的 NumPy 类型对象（如 numpy.bool_, numpy.int64）

包含：整数、浮点数、复数、布尔、字符串、时间、对象、简写符号

使用方式：当做字典使用即可

比如：直接在创建数组时，用dtype指定即可，将指定类型标准化为numpy类型

3.3.1.2 类型转换：obj.astype(数组，转换的类型)【将当前类型转换为指定的类型】

使用：

指定时也可直接等于类型，只是可能没有那么标准

3.4 ndarray访问与修改（切片访问）

3.4.1 一维array（和列表一样  [索引]  ）

3.4.2 理解numpy中的轴

实例：

二维拆解

三维拆解

3.4.3 二维array

切片：[起始索引 : 结束索引 : 步长]

3.4.4 三维array

3.4.5 多维数据取值【⭐】

注意多括号和单括号的不同

第二个实际取的是11和22

第三个实际取的是111和222

3.4.6 array修改

直接在array上修改即可

3.5 numpy计算

3.5.1 numpy广播：boardcasting

定义一个列表，想让其元素每一个都加一

这是numpy的一种广播操作：基本运算都会被应用到array的所有元素中【前提是np.array才行】

【加减乘除均可】比list要简单

3.5.2 array之间的计算

两个array之间进行运算维度一定要相同

两个array之间的运算发生在对应的元素上，这也是为什么需要维度一样（一维中是做真正的运算操作）

3.5.3 多维array计算

基本运算也是对应元素进行的

3.5.4 array之间计算注意点

①shape不同不能计算

②一维array与多维array的行相同，可以计算

③一维array与多维array的列相同，可以计算

【会将一维array按行/列广播到相同shape再对应相加，只有一维的可以扩展】

3.5.5 numpy统计相关算法

主要包括：求和，均值，方差，累积和等

其他方法：

numpy模块与array对象都支持这些方法，使用方式也类似，我们来看一种即可；

这些方法参数类似，我们以sum为例： np.sum(a,axis=None,dtype=None,out=None,keepdims=,initial=)

a.sum(axis=None, dtype=None, out=None, keepdims=False)

三维的，注意按哪个轴处理的形式是什么样的

#累加和:[a[0], a[0]+a[1], a[0]+a[1]+a[2], ...]

3.6 numpy数据拼接分割

应用场景：多个数据的拼接或者拆分

3.6.1 多个array拼接

注意：在列表中可以用+进行拼接，但在array中+是一种计算

拼接方法：concatenate((a1, a2, ...), axis=0, out=None)

np.concatenate 拼接 = 沿着指定 axis 把数组 “粘起来”

• 把多个数组 沿着 axis 方向拼接

• 不会新增维度，只是在现有维度上延长

• 除了拼接方向的维度，其他维度必须完全一样

二维数组（最常用）shape=(行，列)

• axis=0 → 上下拼接（竖着粘）【按行】

• axis=1 → 左右拼接（横着粘）【按列】

三维数组 shape=(块，行，列)

• axis=0 → 块与块拼接（前后叠）

• axis=1 → 行拼接（每页内上下加行）

• axis=2 → 列拼接（每行内左右加列）

3.6.2 多个array(数组)的堆叠【使用概率较小】

注意拼接和堆叠的不同：新建一个轴，把数组叠在新轴上 → 维度 +1

np.stack(arrays, axis=0, out=None)

基本理解：arrays，沿着axis进行堆叠，类似穿起来，而不是拼接

拼接不会增加数组的维度，但是堆叠会增加一维

注意不同轴的结果

3.6.3 np.hstack和np.vstack（拼接）

它们不会新增维度，只是横着 / 竖着拼起来，等价于 concatenate 的简化版

示例：

3.6.4 numpy的分割

split方法：将制定的array按照aixs分割成制定值

np.split(ary, indices_or_sections, axis=0)

把一个数组，沿着指定的轴，切成多份。

• 是 concatenate 的反向操作
• 切完维度不变
• 不会增加维度，不会减少维度，只是拆分开

• ary：要切的数组
• indices_or_sections：
  • 填一个数字 → 平均切成几份
  • 填一个列表 → 在第几号位置切（如 [2,5]）
• axis：沿着哪个轴切
  • axis=0 → 上下切（切行）
  • axis=1 → 左右切（切列）

示例：

3.6.5 np.vsplit和np.hsplit(np.vstack和np.hstack的反操作)

vsplit沿着垂直轴切分

hsplit沿着水平轴切分

3.7 numpy其他操作

3.7.1 缺省值（nan以及其他缺省值的处理）

①概念

缺省值就是一些缺失数据，一般用nan进行表示

Nan是nunpy和pandas中用于标识缺失数据 
None是Python 中对象，不能与Nan混淆一起

示例：

②nan的判断（np.isnan(对象)）

逐元素进行判断

isnan不支持包含有None的操作

3.7.2 判断和bool索引（可以获取nan的索引）

array的值都为True或者False

例如：array([[False, False],[ True, False]]) 获取所有nan值：

3.7.3 all和any的使用（真假的判断，判断有没有假数据）

①np.all(a, axis=None, out=None, )

沿着给定的axis判断是否有元素为0，为0返回False，不设置axis，判断所有元素 

（沿着给定的axis判断元素，都为真返回True，否则返回False，不设置axis，判断所有元素 ）

②np.any(a, axis=None, out=None, )

沿着给定的axis判断是否有元素不为0，为0返回False，不设置axis，判断所有元素

（沿着给定的axis判断元素，都为假返回False，否则返回True，不设置axis，判断所有元素 ）

注意：np.nan在all和any的眼中也是真的，也是数，只有0和False才会被判识为假

所以如果要判断缺失值，需要先判别缺失值为假才可以

利用条件构建布尔索引，再去符合条件的值

3.7.4 where的基本操作(⭐常用)

where(condition, [x, y]): 
如果给定x,y,满足条件condition，输出x，不满足输出y； 
如果没有x,y,返回满足条件对应的值的索引；

示例：条件赋值

示例：随机生成成绩单，判断是否及格

直接给条件值赋值有可能不正确，因为数据类型不用，但是用where可以，判别后更改值