NumPy数组的优势
NumPy数组通常是由相同种类的元素组成的，既数组中的数据项的类型必须一致。
import numpy as np
a = np.arange(5)
a.dtype
以上数组的数据类型为int64，除了知道数据类型之外，还要注意其形状，这一点非常重要
a
a.shape
如你所见，该向量有5个元素，他们的值分别是从0到4，该数组的shape属性是一个元组,存放的是数组在每一个维度的长度。
创建多维数组
既然我们已经知道了创建向量的方法，下面开始学习如何建设多维NumPy数组。生成矩阵后，再来看它的形状，
m = np.array([np.arange(2),np.arange(2)])
m
m.shape
选择NumPy数组元素
有时，我们可能想从数组中选择指定的元素。如何做到这一点呢？不妨从创建一个2行2列的矩阵着手：
a = np.array([[1,2],[3,4]])
上面的矩阵是通过向array()函数传递一个由列表组成的列表得到的，接下来，我们要逐个选择矩阵的各个元素，代码如下所示。别忘了，下标是从0开始的：
a[0,0]
a[0,1]
a[1,0]
a[1,1]
可见，选择数组元素是一件非常简单的事情，对于数组a，只要通过a[m,n]的形态，就能访问数组内的元素，其中m和n为数组元素的下标。
NumPy的数值类型
Python自身虽然支持整型、浮点型和复数型，但对于科学计算来说，还远远不够。现实中，我们仍然需要更多的数据类型，来满足在精度和储存大小方面的各种不同的要求。为此，NumPy提供了更加丰富的数据类型。注意，NumPy跟数学运算有关的数据类型的名称都以数字结尾。而这个数字指示了该类型的变量所占用的二进制位数。
每一种数据类型都有相应的转换函数，如下所示：
float(42)
int(42.0)
bool(42)
bool(0)
bool(42.0)
float(True)
float(False)
许多函数都带有一个指定数据类型的参数，该参数通常是可选的：
np.arange(7,dtype=float)
谨记：不允许把复数类型转化成整型，当你企图进行这种转换时，将会触发TypeError错误，就像下面这样：
float(42.0+1.j)
同样的，也不允许把复数转化成浮点数。另外，复数的分量j是其虚部的系数。
一维数组的切片与索引
一维NumPy数组的切片操作与Python列表的切片一样。下面先来定义包括0、1、2，直到8的一个数组，然后通过指定下标3到7来选择该数组的部分元素，这实际上就是提取数组中值为3到6的那些元素。
a = np.arange(9)
a[3:7]
可以用下标选择元素，下标范围从0到7，并且下标每次递增2
a[:7:2]
恰如使用Python那样，也可用负值下标来反转数组：
a[::-1]
处理数组形态
前面，我们已经学过了reshape()函数，实际上，除了数组形状的调整外，数组的扩充也是一个经常碰到的乏味工作。比如，可以想象一下将多维数组转换成一维数组时的情形。
print('In:b = arange(24).reshape(2,3,4)')
b = np.arange(24).reshape(2,3,4)
print('In:b')
print(b)
print('In:b.ravel()')
print(b.ravel())
print('In:b.flatten()')
print(b.flatten())
print('In:b.shape = (6,4)')
b.shape = (6,4)
print('In:b')
print(b)
print('In:b.transpose()')
print(b.transpose())
print('In:b.resize((2,12))')
b.resize((2,12))
print('In:b')
print(b)
拆解：可以用ravel()函数将多维数组变成一维数组
b.shape = (6,4)
b
b.ravel()
拉直：flatten()函数的名字取得非常贴切，其功能与ravel()相同。可是，flatten()返回的是真实的数组，需要分配新的内存空间；而ravel()函数返回的只是数组的视图。这意味着，我们可以像下面这样的直接操作数组：
b.flatten()
用元组指定数组形状：除reshape()函数外，还可以用元组来轻松定义数组的形状：
转置：在线性代数中，矩阵的转置操作非常常见。转置是一种数据变换方法，对于二维表而言，转置就意味着行变成列，同时列变成行。转置也可以通过下列代码完成：
b.transpose()
调整大小：函数resize()的作用类似于reshape()，但是会改变所作用的数组：
b.resize((2,12))
b
堆叠数组
从深度看，数组既可以横向叠放，也可以竖向叠放，为此，可以使用vstack()、dstack()、hstack()、column_stack()、row_stack()和concatenate()等函数。
在此之前，我们先要建立某些数组：
a = np.arange(9).reshape(3,3)
a
b= 2*a
b
水平叠加：先介绍水平叠加方式，即用元组确定ndarrays数组的形状，然后交由hstack（）函数来码放这些数组。
np.hstack((a,b))
用concatenate（）函数也能达到相同的效果。
np.concatenate((a,b),axis = 1)
垂直叠加：使用垂直叠加方法时，先要构建一个元祖，然后将元祖交给vstack（）函数来码放数组。
np.vstack((a,b))
当参数axis置0时，concatenate（）函数也会得到相同的效果。实际上，这是该参数的缺省值：
np.concatenate((a,b),axis = 0)
深度叠加：除此之外，还有一种深度叠加方法，这要用到dstack（）函数和一个元组。这种方法是沿着第三个坐标轴（纵向）的方向来叠加一摞数组。举例来说，可以在一个图像数据的二维数组上叠加另一幅图像的数据。
np.dstack((a,b))
列式堆叠：columns_stack()函数以列方式对一维数组进行堆叠。
oned =np.arange(2)
oned
twice_oned = 2*oned
twice_oned
np.column_stack((oned,twice_oned))
用这种方法堆叠二维数组时，过程类似于hstack（）函数。
np.column_stack((a,b))
np.column_stack((a,b)) == np.hstack((a,b))
行式堆叠：同时，NumPy自然也有以行方式对数组进行堆叠的函数，这个用于一维数组的函数名为row_stack(),它将数组作为行码放到二维数组中：
np.row_stack((oned,twice_oned))
对于二维数组，row_stack()函数相当于vstack()函数：
np.row_stack((a,b))
np.row_stack((a,b)) == np.vstack((a,b))
拆分NumPy数组¶
可以从纵向，横向和深度方向来拆分数组，相关函数有hsplit(),vsplit(),dsplit()和split()。我们即可以把数组分成相同的形状的数组，也可以从规定的位置开始切取数组。
横向拆分：对于一个3行3列数组，可以沿着横轴方向将其分解为3部分，并且各部分的大小和形状完全一致。
a
np.hsplit(a,3)
这个相当于调用了参数axis = 1的split（）函数：
np.split(a,3,axis = 1)
纵向拆分：同理
np.vsplit(a,3)
np.split(a,3,axis = 0)
深向拆分：dsplit()函数会沿着深度方向分解数组。下面以秩为3的数组为例进行说明：
c = np.arange(27).reshape(3,3,3)
c
np.dsplit(c,3)
NumPy数组的属性：
下面举例说明NumPy数组各种属性的详细用法。
b = np.arange(24).reshape(2,12)
print('In:b')
print(b)
print('In:b.ndim')
print(b.ndim)
print('In:b.size')
print(b.size)
print('In:b.itemsize')
print(b.itemsize)
Python编程系列目录：
1. Python编程系列1-变量、字符串与列表
2. Python编程系列2-字典、元组与集合
3. Python编程系列3-条件与循环
4. Python编程系列4-函数
当前阅读> 5. Python编程系列5-Numpy库
6. Python编程系列6-Scipy库
7. Python编程系列7-Pandas库
8. Python编程系列8-Matplotlib库