目录
1.Numpy简介：
Numpy用途：
2.Numpy的简单使用：
2.1导入Numpy：
2.1查看numpy的版本：
编辑3.NumPy - Ndarray 对象
3.1ndarray属性：
3.2 numpy.array参数构造
3.3创建numpy数组：
3.4numpy库创建数组的集中内置函数：
4.numpy索引和切片：
4.1索引：
4.2切片：
一维数组：
二维数组：
1.Numpy简介：
NumPy 是一个 Python 库。 英文是 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。
Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到 Numeric 包中来创建 NumPy 包。 这个开源项目有很多贡献者。
Numpy用途：
-
数组的算数和逻辑运算。
-
傅立叶变换和用于图形操作的例程。
-
与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数
2.Numpy的简单使用：
2.1导入Numpy：
import numpy as np通常我们将numpy简称为np。
2.1查看numpy的版本：
import numpy as np
print("numpy版本为：",np.__version__)
3.NumPy - Ndarray 对象
NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。
3.1ndarray属性：
维度：ndim ，直接返回维度数
形状：shape，数字有几个就表示几维数组
总长度：size，返回总数据量
元素类型：dtype
n1 = np.random.randint(1,10,(3,5))
print(n1)
print("维度：%d，形状：%s，总长度：%s，元素类型：%s"%(n1.ndim,n1.shape,n1.size,n1.dtype))
3.2 numpy.array参数构造
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
| 序号 | 参数及描述 |
| 1 | object任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。 |
| 2 | dtype 数组的所需数据类型，可选。 |
| 3 | copy 可选，默认为true，对象是否被复制。 |
| 4 | order C（按行）、F（按列）或A（任意，默认）。 |
| 5 | subok 默认情况下，返回的数组被强制为基类数组。如果为true，则返回子类。 |
| 6 | ndmin 指定返回数组的最小组数。 |
3.3创建numpy数组：
n1=np.array()示例1： 下面我们创建一个一维数组：
a = np.array([1,2,3])
print(a)输出如下：
[1, 2, 3]实例2：下面是一个二维数组
a = np.array([[1, 2], [3, 4]])
print(a)输出为：
[[1, 2]
[3, 4]]示例3：便捷创建一个全为为0或者全为1的数组
a = np.zeros((3,3))
b = np.ones((3,2),dtype=np.float)
print(a)
print(b)
输出为：
3.4numpy库创建数组的集中内置函数：
arrange()函数用法：arange([start,] stop[, step,], dtype=None)，start 为起始数，stop 为结束数，创建一个连续的一维数组。
linspace()函数用法：np.linspace(start,stop,num)，创建一个包含 num 个数的等差数列，公差 d 等于多少由系统计算。
eye()函数用法：np.eye(N, M=None, k=0, dtype=<class ‘float’>, order=‘C’)，N 是行数，M 是列数，K 是偏移量，创建一个单位矩阵数组。
normal()函数用法：normal(loc=0.0, scale=1.0, size=None)，loc 表示均值，scale 表示标准差，size等价于 shape ，创建一个服从正态分布的多维数组。
randn() 函数用法：randn(d0, d1, …, dn)，创建一个服从标准正态分布（X ~ N（0，1））的多维数组。也就是说，产生的数据大部分生成在0左右。
4.numpy索引和切片：
4.1索引：
在 ndarray 数组中，索引的使用有两种等价方式，即 n [M，N] = n [M][N]，M表示第一个维度，N表示第二个维度，若不止二维，以此类推，n[M，N，P，……]。
n1 = np.random.randint(1,10,(3,5))
print(n1)
print("n1[2,3]=%s,n1[2][3]=%s"%(n1[2,3],n1[2][3]))
4.2切片：
numpy数组切片操作 列表用 [ ] 标识，支持字符，数字，字符串甚至可以包含列表（即嵌套）。,是 python 最通用的复合数据类型
一维数组：
a=[1,2,3.4,5]
print(a)
[ 1 2 3 4 5 ]
print(a[-1]) 取最后一个元素
结果：[5]
print(a[:-1]) 除了最后一个取全部
结果：[ 1 2 3 4 ]
print(a[1:]) 取第二个到最后一个元素
结果：[2 3 4 5]
print(a[::-1]) 取从后向前（相反）的元素
结果：[ 5 4 3 2 1 ]
print(a[2::-1]) 取从下标为2的元素**翻转读取**
结果：[ 3 2 1 ]
s='abcdefg'
print(s[0:4] #输出abcd
print(s[0:4:2]) #步长为 2（间隔一个位置）来截取,输出ac
二维数组：
二维数组（逗号，）
X[n0,n1]是通过 numpy 库引用二维数组或矩阵中的某一段数据集的一种写法。
类似的，X[n0,n1,n2]表示取三维数组，取N维数组则有N个参数，N-1个逗号分隔。
取元素 X[n0,n1]
这是最基本的情况，表示取 第0维 的第 n0 个元素，继续取 第1维 的第 n1个元素。如 X[2,2] 表示第0维第2个元素[20,21,22,23],然后取其第1维的第2个元素即 22；
切片 X[s0:e0,s1:e1]
这是最通用的切片操作，表示取 第0维 的第 s0 到 e0 个元素，继续取 第1维 的第 s1 到 e1 个元素（左闭右开）。如 X[1:3,1:3] 表示第0维第(1:3)个元素[[10,11,12,13],[20,21,22,23]],然后取其第1维的第(1:3)个元素即 [[11,12],[21,22]]；
切片特殊情况 X[:e0,s1:]
特殊情况，即左边从0开始可以省略X[:e0,s1:e1]，右边到结尾可以省略X[s0:,s1:e1]，取某一维全部元素X[:,s1:e1]，事实上和Python 的 序列切片规则是一样的。
常见的 X[:,0] 则表示 第0维取全部，第1维取0号元素；
import numpy as np
X = np.array([[0,1,2,3],[10,11,12,13],[20,21,22,23],[30,31,32,33]])
#X 是一个二维数组，维度为 0 ，1；第 0 层 [] 表示第 0 维；第 1 层 [] 表示第 1 维；
# X[n0,n1] 表示第 0 维 取第n0 个元素 ，第 1 维取第 n1 个元素
print(X[1,0])
# X[1:3,1:3] 表示第 0 维 取 (1:3)元素 ，第 1 维取第(1:3) 个元素
print(X[1:3,1:3])
# X[:n0,:n1] 表示第 0 维 取 第0 到 第n0 个元素 ，第 1 维取 第0 到 第n1 个元素
print(X[:2,:2])
# X[:,:n1] 表示第 0 维 取 全部元素 ，第 1 维取 第0 到第n1 个元素
print(X[:,:2])
# X[:,0]) 表示第 0 维 取全部 元素 ，第 1 维取第 0 个元素
print(X[:,0])
输出：
10
[[11 12]
[21 22]]
[[ 0 1]
[10 11]]
[[ 0 1]
[10 11]
[20 21]
[30 31]]
[ 0 10 20 30]
参考博客：Python中numpy数组切片：print(a[0::2])、[::-1]、[::2]、[:,2]、[1:,-1:]、[ : ,: -1]，[:,-2:]、[ : n]、[m : ]等含义（详细）_python中[::2]_锵锵锵锵~蒋的博客-CSDN博客【NumPy系列】基本操作 - 一_向阳花花花花的博客-CSDN博客
