2 ndarray
首先，数组
1、这是啥：N维数组对象：N dimensions array
2、人话：结构特殊的矩阵
3、表示特点：总是套上array()
4、数据特点：同构（同类型）
创建
np.array函数
作用：将Python原生序列对象转变为ndarray
#例如一个列表的转化
word1=[1,2,3,4]
arr1=np.array(word1)
#嵌套列表转多维
word2=[[1,2,3,4],[5,6,7,8]]
arr2=np.array(word2)注意：格式识别，此函数会尝试推断合适的格式，一般是浮点
具体而言，完整np.array函数为：
np.array(序列,dtype=np.格式)格式即为python自带的原生格式，例如浮点数即为float64
查看格式
arr1.dtype赋予数组新的格式
arr1.astype(np.格式)其他函数
了解作用即可，用到的时候再查询
#创建一个顺序数组
np.arange(数字)
#创建a维b列0数组
np.zeros((a,b))
#创建a嵌套b维c列0数组
np.zeros((a,b,c))
#创建5行4列随机数矩阵
arr2=np.random.randn(5,4)注意区分zeros和empty
运算
比较简单，基于线代的矩阵运算，不多提（忘了可查高等代数）
索引切片
什么玩意
索引：找到数组中的某个元素的过程
切片：横截面数据型的索引（冒号）
特别之处，这不是R里面的重新生成一个变量，而是一种投射，对此投射的修改会影响整体
那可…太惊讶了，这真的很方便吗？
如果想使用传统（R）意义的切片，使用如下代码：
arr1[3:9].copy()如何使用
与R语言极其相似的调取方法（包括方括号冒号的用法）
基本索引切片
- 不同于R，这里计数是从0开始的；a:b的意思是a到b-1
- 高维数组取值（以二维为例），两种表示都行
- 单独加:号即表示选取全体，:n表示到n-1为止之前全体，n:表示n与n之后全体
#从第一维选取第二个元素 arr2d[0][2] arr2d[0,2]
布尔型索引
一个恰当长度的布尔型数组可以用于切片索引
- 布尔型数组
#一个典型的布尔型数组
array([True,False,False,True,False])如何生成布尔型数组：利用逻辑判断
#利用逻辑判断生成布尔数组,names为一个ndarray
names=='Bill'提高效率：将生成选取一步完成
data[names!='Bill',a:b]
#a:b作用是对选取后的数组内元素进一步筛选注意是数组每个维的内部元素，此时将数组整体视为矩阵更好理解（也是这里的本意）
常见应用：将data中负值均转化为0
data[data < 0]=0
#a:b作用是对选取后的数组内元素进一步筛选这里用到了广播的原理，一个等式，全部改掉
花式索引
定义：利用整数数组进行索引
特点：数组不仅包含了索引对象，还暗含了索引顺序
转置
#完成对矩阵arr的转置
arr.T#一般而言的矩阵对于复杂高位矩阵，转置需要制定各个轴的具体位置，以后遇到了可以百度
相关函数
提一个经常生成矩阵的arrange函数
#np.arange([start, ]stop, [step, ]dtype=None)
#生成半开区间的值，stop值是要有的
arr.T#一般而言的矩阵根据实际的使用需求使用
如何应用于数据处理
这个地方好处和R的dplyr是一样的，它可以直接矢量化操作，节省了写循环的时间以及耗费的资源
np.where
三元表达式x if cond else y的矢量化（三者一般都是ndarray）
np.where(cond,xarr,yarr)
#当cond为真，选取xarr，为假，选取（执行）yarr
#xarr与yarr可以为标量
#cond可以是逻辑判断（因为逻辑判断可以生成布尔型数组）条件还可以嵌套（cond本身是两种条件的交集即可）
np.where(c1&c2,0,np.where(c1,1,np.where(c2,2,3)))
#为了理解上的方便，可以等同于excel里面的if语句的嵌套np.stat.
stat.指的是一系列的聚合计算函数（想起了被sql聚类支配的恐惧）
需要注意的是一些函数选项
import numpy as np
arr2=np.random.randn(5,4)
print(arr2)
print(arr2.mean())#所有元素均值
print(arr2.mean(axis=0))#每列均值
print(arr2.mean(axis=1))#每行均值#利用布尔数组判断原数组大于零的数量
arr1=arr2=np.random.randn(5,5)
print(arr1)
#两种表达均可计数
print((arr1>0).sum())
print(np.sum((arr1>0)))补充：保留小数位的方法：np.around与np.set_printoptions
import numpy as np
arr3=np.random.randn(5,5)
print(arr3)
#设置小数位置为3位
print(np.around(arr3,3))
np.set_printoptions(precision=3)
print(arr3)np.sort
此函数不会返回值：这意味着它是在原变量上操作的，注意注意
#ndarray.sort()仅仅修改原来变量
arr4=np.random.randn(3,3)
print(arr4)
#默认axis=1按行排序（可以不写，axis=可以省略），0按列排序（-1最后一个维度）
print(arr4.sort(0))#此时会报None
arr4.sort(0)
print(arr4)
#np.sort生成一个copy
arr5=np.random.randn(3,3)
print(arr5)
#语法无效
np.sort(arr5,axis=1)
print(arr5)
#语法有效
print(np.sort(arr5,axis=1))np.unique与np.in1d
都属于“匹配-寻找”概念的函数
前者返回distinct值，后者根据数组a查询数组b的成员资格
#查找arr6中arr7元素的情况
arr6=np.array([1,2,3,4,5,6])
arr7=np.array([1,4,6,6])#重复值不影响
print(np.in1d(arr6,arr7))
#out:[ True False False True False True]