NumPy是Python語言的一個擴充程式庫。支援高階大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫。Numpy內部解除了Python的GIL（全域性直譯器鎖），執行效率極好，是大量機器學習框架的基礎庫！ 　　 　　關於GIL請參考部落格：http://www.cnblogs.com/wj-1314/p/9056555.html 　　 　　NumPy的全名為Numeric Python，是一個開源的Python科學計算庫，它包括： 　　 　　一個強大的N維陣列物件ndrray； 　　 　　比較成熟的（廣播）函式庫； 　　 　　用於整合C/C++和Fortran程式碼的工具包； 　　 　　實用的線性代數、傅立葉變換和隨機數生成函式 　　 　　1.1  NumPy的優點： 　　 　　對於同樣的數值計算任務，使用NumPy要比直接編寫Python程式碼便捷得多； 　　 　　NumPy中的陣列的儲存效率和輸入輸出效能均遠遠優於Python中等價的基本資料結構，且其能夠提升的效能是與陣列中的元素成比例的； 　　 　　NumPy的大部分程式碼都是用C語言寫的，其底層演算法在設計時就有著優異的效能，這使得NumPy比純Python程式碼高效得多 　　 　　當然，NumPy也有其不足之處，由於NumPy使用記憶體對映檔案以達到最優的資料讀寫效能，而記憶體的大小限制了其對TB級大檔案的處理；此外，NumPy陣列的通用性不及Python提供的list容器。因此，在科學計算之外的領域，NumPy的優勢也就不那麼明顯。 　　 　　二、陣列ndarray 　　 　　NumPy最重要的一個特點就是其N維陣列物件（即ndarray）,該物件是一個快速而靈活的大資料集容器，該物件由兩部分組成： 　　 　　實際的資料； 　　 　　描述這些資料的元資料； 　　 　　Numpy中定義的最重要的物件是成為ndarray的N維陣列型別。它描述相同型別的元素集合。可以使用基於零的索引訪問集合中的專案。 　　 　　ndarray中的每個元素在記憶體中使用相同大小的塊。ndarray中每個元素是資料型別物件的物件（稱為dtype） 　　 　　大部分的陣列操作僅僅是修改元資料部分，而不改變其底層的實際資料。陣列的維數稱為秩，簡單來說就是如果你需要獲取陣列中一個特定元素所需的座標數，如a是一個2×3×4的矩陣，你索引其中的一個元素必須給定三個座標a[x,y,z]，故它的維數就是3。而軸可以理解為一種對陣列空間的分割，以陣列a為例，如果我們以0為軸，那麼a可以看成是一個由兩個元素構成的陣列，其中每個元素都是一個3×4的陣列。 　　 　　我們可以直接將陣列看作一種新的資料型別，就像list、tuple、dict一樣，但陣列中所有元素的型別必須是一致的，Python支援的資料型別有整型、浮點型以及複數型，但這些型別不足以滿足科學計算的需求，因此NumPy中添加了許多其他的資料型別，如bool、inti、int64、float32、complex64等。同時，它也有許多其特有的屬性和方法。 　　 　　官方解釋： 　　 　　+ View Code 　　 　　2.1   常用ndarray屬性： 　　 　　dtype        描述陣列元素的型別 　　 　　shape       以tuple表示的陣列形狀 　　 　　ndim         陣列的維度 　　 　　size           陣列中元素的個數 　　 　　itemsize    陣列中的元素在記憶體所佔位元組數 　　 　　T               陣列的轉置 　　 　　flat            返回一個數組的迭代器，對flat賦值將導致整個陣列的元素被覆蓋 　　 　　real/imag  給出複數陣列的實部/虛部 　　 　　import numpy as np 　　 　　# 建立簡單的列表 　　 　　a = [1,2,3,4,5,6] 　　 　　# 講列表轉換為陣列 　　 　　b = np.array(a) 　　 　　# Numpy檢視陣列屬性 　　 　　print(b.size) 　　 　　#6 　　 　　# 陣列形狀 　　 　　print(b.shape) 　　 　　# (6,) 　　 　　# 陣列維度 　　 　　print(b.ndim) 　　 　　# 1 　　 　　# 陣列元素型別 　　 　　print(b.dtype) 　　 　　# int32 　　 　　import numpy as np 　　 　　a = np.array([1,2,3]) 　　 　　print(a) 　　 　　# [1 2 3] 　　 　　# 多於一個維度 　　 　　a = np.array([[1,  2],  [3,  4]]) 　　 　　print(a) 　　 　　# [[1 2] 　　 　　#  [3 4]] 　　 　　# 最小維度 　　 　　a = np.array([1,  2,  3,4,5], ndmin =  2) 　　 　　print(a) 　　 　　# [[1 2 3 4 5]] 　　 　　# dtype 引數 　　 　　a = np.array([1,  2,  3], dtype = complex) 　　 　　print(a) 　　 　　# [1.+0.j 2.+0.j 3.+0.j] 　　 　　　　ndarray 物件由計算機記憶體中的一維連續區域組成，帶有將每個元素對映到記憶體塊中某個位置的索引方案。 記憶體塊以按行(C 風格)或按列(FORTRAN 或 MatLab 風格)的方式儲存元素。 　　 　　2.2  常用ndarray方法： 　　 　　reshape(…)                                 返回一個給定shape的陣列的副本 　　 　　resize(…)                                    返回給定shape的陣列，原陣列shape發生改變 　　 　　flatten()/ravel()                            返回展平陣列，原陣列不改變 　　 　　astype(dtype)                              返回指定元素型別的陣列副本 　　 　　fill()                                              將陣列元素全部設定為一個標量值 　　 　　sum/Prod()                                  計算所有陣列元素的和/積 　　 　　mean()/var()/std()                        返回陣列元素的均值/方差/標準差 　　 　　max()/min()/ptp()/median()          返回陣列元素的最大值/最小值/取值範圍/中位數 　　 　　argmax()/argmin()                       返回最大值/最小值的索引 　　 　　sort()                                           對陣列進行排序，axis指定排序的軸；kind指定排序演算法，預設是快速排序 　　 　　view()/copy()                               view創造一個新的陣列物件指向同一資料；copy是深複製 　　 　　tolist()                                          將陣列完全轉為列表，注意與直接使用list(array)的區別 　　 　　compress()                                  返回滿足條件的元素構成的陣列 　　 　　numpy.reshape： 　　 　　import numpy as np 　　 　　a = np.arange(8) 　　 　　print('原始陣列：') 　　 　　print(a) 　　 　　print('\n') 　　 　　b = a.reshape(4,2) 　　 　　print('修改後的陣列：') 　　 　　print(b) 　　 　　'''結果 　　 　　原始陣列： 　　 　　[0 1 2 3 4 5 6 7] 　　 　　修改後的陣列： 　　 　　[[0 1] 　　 　　[2 3] 　　 　　[4 5] 　　 　　[6 7]] 　　 　　''' 　　 　　numpy.ndarray.flatten: 　　 　　import numpy as np 　　 　　a = np.arange(8).reshape(2,4) 　　 　　print('原陣列：') 　　 　　print(a) 　　 　　print('\n') 　　 　　# default is column-major 　　 　　print('展開的陣列：') 　　 　　print(a.flatten()) 　　 　　print('\n') 　　 　　print('以 F 風格順序展開的陣列：') 　　 　　print(a.flatten(order = 'F')) 　　 　　'''結果： 　　 　　原陣列： 　　 　　[[0 1 2 3] 　　 　　[4 5 6 7]] 　　 　　展開的陣列： 　　 　　[0 1 2 3 4 5 6 7] 　　 　　以 F 風格順序展開的陣列： 　　 　　[0 4 1 5 2 6 3 7] 　　 　　''' 　　 　　numpy.ravel: 　　 　　import numpy as np 　　 　　a = np.arange(8).reshape(2,4) 　　 　　print('原陣列：') 　　 　　print(a) 　　 　　print('\n') 　　 　　print('呼叫 ravel 函式之後：') 　　 　　print(a.ravel()) 　　 　　print('\n') 　　 　　print('以 F 風格順序呼叫 ravel 函式之後：') 　　 　　print(a.ravel(order = 'F')) 　　 　　'''結果： 　　 　　原陣列： 　　 　　[[0 1 2 3] 　　 　　[4 5 6 7]] 　　 　　呼叫 ravel 函式之後： 　　 　　[0 1 2 3 4 5 6 7] 　　 　　以 F 風格順序呼叫 ravel 函式之後： 　　 　　[0 4 1 5 2 6 3 7]''' 　　 　　2.3 陣列的建立 　　 　　numpy中使用array()函式建立陣列，array的首個引數一定是一個序列，可以是元組也可以是列表。 　　 　　2.3.1  一維陣列的建立 　　 　　可以使用numpy中的arange()函式建立一維有序陣列，它是內建函式range的擴充套件版。 　　 　　In [1]: import numpy as np 　　 　　In [2]: ls1 = range(www.dfgjpt.com/ 10) 　　 　　In [3]: list(ls1) 　　 　　Out[3]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 　　 　　In [4]: type(ls1) 　　 　　Out[4]: range 　　 　　In [5]: ls2 = np.arange(10) 　　 　　In [6]: list(ls2) 　　 　　Out[6]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 　　 　　In [7]: type(ls2) 　　 　　Out[7]: numpy.ndarray 　　 　　　　通過arange生成的序列就不是簡簡單單的列表型別了，而是一個一維陣列。 　　 　　如果一維陣列不是一個規律的有序元素，而是人為的輸入，就需要array()函式建立了。 　　 　　In [8]: arr1 = np.array((1,20,13,28,22)) 　　 　　In [9]: arr1 　　 　　Out[9]: array([ 1, 20, 13, 28, 22]) 　　 　　In [10]: type(arr1) 　　 　　Out[10]: numpy.ndarray 　　 　　　　上面是由元組序列構成的一維陣列。 　　 　　In [11]: arr2 = np.array([1,1,2,3,5,8,13,21]) 　　 　　In [12]: arr2 　　 　　Out[12]: array([ 1,  1,  2,  3,  5,  8, 13, 21]) 　　 　　In [13]: type(arr2) 　　 　　Out[13]: numpy.ndarray 　　 　　　　上面是由列表序列構成的一維陣列。 　　 　　2.3.2  二維陣列的建立 　　 　　二維陣列的建立，其實在就是列表套列表或元組套元組。 　　 　　In [14]: arr3 = np.array(((1,1,2,3),(5,8,13,21),(34,55,89,144))) 　　 　　In [15]: arr3 　　 　　Out[15]: 　　 　　array([[  1,   1,   2,   3], 　　 　　[  5,   8,  13,  21], 　　 　　[ 34,  55,  89, 144]]) 　　 　　　　上面使用元組套元組的方式。 　　 　　In [16]: arr4 = np.array(www.yongshiyule178.com [[1,2,3,4],[5,6,7,8],[9,10,11,12]]) 　　 　　In [17]: arr4 　　 　　Out[17]: 　　 　　array([[ 1,  2,  3,  4], 　　 　　[ 5,  6,  7,  8], 　　 　　[ 9, 10, 11, 12]]) 　　 　　　　上面使用列表套列表的方式。 　　 　　對於高維陣列在將來的資料分析中用的比較少，這裡關於高維陣列的建立就不贅述了，構建方法仍然是套的方式。 　　 　　　　上面所介紹的都是人為設定的一維、二維或高維陣列，numpy中也提供了幾種特殊的陣列，它們是： 　　 　　In [18]: np.ones(3)  #返回一維元素全為1的陣列 　　 　　Out[18]: array([ 1.,  1.,  1.]) 　　 　　In [19]: np.ones([3,4])  #返回元素全為1的3×4二維陣列 　　 　　Out[19]: 　　 　　array([[ 1.,  1.,  1.,  1.], 　　 　　[ 1.,  1.,  1.,  1.], 　　 　　[ 1.,  1.,  1.,  1.]]) 　　 　　In [20]: np.zeros(3) #返回一維元素全為0的陣列 　　 　　Out[20]: array([ 0.,  0.,  0.]) 　　 　　In [21]: np.zeros([3,4]) #返回元素全為0的3×4二維陣列 　　 　　Out[21]: 　　 　　array([[ 0.,  0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.,  0.]]) 　　 　　In [22]: np.empty(3) #返回一維空陣列 　　 　　Out[22]: array(www.00534.cn[ 0.,  0.,  0.]) 　　 　　In [23]: np.empty([3,4]) #返回3×4二維空陣列 　　 　　Out[23]: 　　 　　array([[ 0.,  0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.,  0.]]) 　　 　　2.3.3  ones函式 　　 　　返回特定大小，以1填充的新陣列 　　 　　>>> import numpy as np 　　 　　>>> a=np.ones(3);a 　　 　　array([ 1.,  1.,  1.]) 　　 　　>>> b=np.ones(www.06640.cn(3,2));b 　　 　　array([[ 1.,  1.], 　　 　　[ 1.,  1.], 　　 　　[ 1.,  1.]]) 　　 　　2.3.4  zeros函式 　　 　　返回特定大小，以0填充的新陣列。 　　 　　官方庫的解釋： 　　 　　def zeros(shape, dtype=None, order='C'): # real signature unknown; restored from __doc__ 　　 　　""" 　　 　　zeros(shape, dtype=float, order='C') 　　 　　Return a new array of given shape and type, filled with zeros. 　　 　　Parameters 　　 　　---------- 　　 　　shape : int or tuple of ints 　　 　　Shape of the new www.tianzunyule178.com array, e.g., ``(2, 3)`` or ``2``. 　　 　　dtype : data-type, optional 　　 　　The desired data-type for the array, e.g., `numpy.int8`.  Default is 　　 　　`numpy.float64`. 　　 　　order : {'C', 'F'}, optional, default: 'C' 　　 　　Whether to store multi-dimensional data in row-major 　　 　　(C-style) or column-major (Fortran-style) order in 　　 　　memory. 　　 　　Returns 　　 　　------- 　　 　　out : ndarray 　　 　　Array of zeros with the given shape, dtype, and order. 　　 　　See Also 　　 　　-------- 　　 　　zeros_like : Return an array of zeros with shape and type of input. 　　 　　empty : Return a new uninitialized array. 　　 　　ones : Return a new array setting values to one. 　　 　　full : Return a new array of given shape filled with value. 　　 　　Examples 　　 　　-------- 　　 　　>>> np.zeros(5) 　　 　　array([ 0.,  0.,  0.,  0.,  0.]) 　　 　　>>> np.zeros((5,), dtype=int) 　　 　　array([0, 0, 0, 0, 0]) 　　 　　>>> np.zeros((2, 1)) 　　 　　array([[ 0.], 　　 　　[ 0.]]) 　　 　　>>> s = (2,2) 　　 　　>>> np.zeros(s) 　　 　　array([[ 0.,  0.], 　　 　　[ 0.,  0.]]) 　　 　　>>> np.zeros((2,), dtype=[('x', 'i4'), ('y', 'i4')]) # custom dtype 　　 　　array([(0, 0), (0, 0)], 　　 　　dtype=[('x', '<i4'), ('y', '<i4')]) 　　 　　""" 　　 　　pass 　　 　　numpy.zeros(shape, dtype=float, order=’C’) 　　 　　引數： 　　 　　shape：int或ints序列 　　 　　新陣列的形狀，例如（2，3 ）或2。 　　 　　dtype：資料型別，可選 　　 　　陣列的所需資料型別，例如numpy.int8。預設值為 numpy.float64。 　　 　　order：{'C'，'F'}，可選 　　 　　是否在儲存器中以C或Fortran連續（按行或列方式）儲存多維資料。 　　 　　返回： 　　 　　1 　　 　　2 　　 　　out：ndarray 　　 　　具有給定形狀，資料型別和順序的零陣列。 　　 　　>>> c=np.zeros(3) 　　 　　>>> c 　　 　　array([ 0.,  0.,  0.]) 　　 　　>>> d=np.zeros((2,3));d 　　 　　array([[ 0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.]]) 　　 　　#d=np.zeros(2,3)會報錯，d=np.zeros(3,dtype=int)來改變預設的資料型別 　　 　　2.3.5  eye&identity函式 　　 　　>>> e=np.eye(3);e 　　 　　array([[ 1.,  0.,  0.], 　　 　　[ 0.,  1.,  0.], 　　 　　[ 0.,  0.,  1.]]) 　　 　　>>> e=np.eye(3,2);e 　　 　　array([[ 1.,  0.], 　　 　　[ 0.,  1.], 　　 　　[ 0.,  0.]]) 　　 　　>>> e=np.eye(3,1);e 　　 　　array([[ 1.], 　　 　　[ 0.], 　　 　　[ 0.]]) 　　 　　>>> e=np.eye(3,3);e 　　 　　array([[ 1.,  0.,  0.], 　　 　　[ 0.,  1.,  0.], 　　 　　[ 0.,  0.,  1.]]) 　　 　　>>> e=np.eye(3,3,1);e 　　 　　array([[ 0.,  1.,  0.], 　　 　　[ 0.,  0.,  1.], 　　 　　[ 0.,  0.,  0.]]) 　　 　　e=np.eye(3,3,2);e 　　 　　array([[ 0.,  0.,  1.], 　　 　　[ 0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.]]) 　　 　　>>> e=np.eye(3,3,3);e 　　 　　array([[ 0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.]]) 　　 　　>>> e=np.eye(3,3,4);e 　　 　　array([[ 0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.], 　　 　　[ 0.,  0.,  0.]]) 　　 　　>>> p=np.identity(4);p 　　 　　array([[ 1.,  0.,  0.,  0.], 　　 　　[ 0.,  1.,  0.,  0.], 　　 　　[ 0.,  0.,  1.,  0.], 　　 　　[ 0.,  0.,  0.,  1.]]) 　　 　　>>> p=np.identity(4,3);p  #會報錯 　　 　　>>> p=np.identity((4,3));p  #會報錯 　　 　　2.3.6 empty函式 　　 　　它建立指定形狀和dtype的未初始化陣列。它使用以下建構函式： 　　 　　1 　　 　　numpy.empty(shape, dtype = float, order = 'C') 　　 　　　　注意：陣列為隨機值，因為他們未初始化。 　　 　　import numpy as np 　　 　　x = np.empty([3,2], dtype =  int) 　　 　　print(x) 　　 　　# [[1762    0] 　　 　　#  [   0    0] 　　 　　#  [   0    0]] 　　 　　>>> a=np.empty(3);a 　　 　　array([  1.60091154e-163,   1.12069303e-258,   3.23790862e-318]) 　　 　　>>> a=np.empty((3,3));a 　　 　　array([[  1.57741456e-284,   1.57680914e-284,   1.56735002e-163], 　　 　　[  1.56205068e-163,   1.62511438e-163,   1.21880041e+171], 　　 　　[  1.57757869e-052,   7.34292780e+223,   4.71235856e+257]]) 　　 　　2.3.7 ones_like  zero_like   empy_like函式 　　 　　>>> a=np.array([[[1,2],[1,2]],[[1,2],[1,2]],[[1,2],[1,2]]]) 　　 　　>>> a.shape 　　 　　(3, 2, 2) 　　 　　>>> b=np.ones_like(a) 　　 　　>>> b 　　 　　array([[[1, 1], 　　 　　[1, 1]], 　　 　　[[1, 1], 　　 　　[1, 1]], 　　 　　[[1, 1], 　　 　　[1, 1]]]) 　　 　　>>> b=np.zeros_like(a);b 　　 　　array([[[0, 0], 　　 　　[0, 0]], 　　 　　[[0, 0], 　　 　　[0, 0]], 　　 　　[[0, 0], 　　 　　[0, 0]]]) 　　 　　>>> a=np.array([[[1,2],[1,2]],[[1,2],[1,2]],[[1,2],[1,2]]]) 　　 　　>>> b=np.empty_like(a);b 　　 　　array([[[39125057, 40012256], 　　 　　[81313824, 81313856]], 　　 　　[[       0,        0], 　　 　　[       0,        0]], 　　 　　[[       0,        0], 　　 　　[       0,        0]]]) 　　 　　#注意，shape和dtype均複製 　　 　　三，Numpy資料型別 　　 　　NumPy 支援比 Python 更多種類的數值型別。 下表顯示了 NumPy 中定義的不同標量資料型別。 　　 　　序號    資料型別及描述 　　 　　1.    bool_儲存為一個位元組的布林值(真或假) 　　 　　2.    int_預設整數，相當於 C 的long，通常為int32或int64 　　 　　3.    intc相當於 C 的int，通常為int32或int64 　　 　　4.    intp用於索引的整數，相當於 C 的size_t，通常為int32或int64 　　 　　5.    int8位元組(-128 ~ 127) 　　 　　6.    int1616 位整數(-32768 ~ 32767) 　　 　　7.    int3232 位整數(-2147483648 ~ 2147483647) 　　 　　8.    int6464 位整數(-9223372036854775808 ~ 9223372036854775807) 　　 　　9.    uint88 位無符號整數(0 ~ 255) 　　 　　10.    uint1616 位無符號整數(0 ~ 65535) 　　 　　11.    uint3232 位無符號整數(0 ~ 4294967295) 　　 　　12.    uint6464 位無符號整數(0 ~ 18446744073709551615) 　　 　　13.    float_float64的簡寫 　　 　　14.    float16半精度浮點：符號位，5 位指數，10 位尾數 　　 　　15.    float32單精度浮點：符號位，8 位指數，23 位尾數 　　 　　16.    float64雙精度浮點：符號位，11 位指數，52 位尾數 　　 　　17.    complex_complex128的簡寫 　　 　　18.    complex64複數，由兩個 32 位浮點表示(實部和虛部) 　　 　　19.    complex128複數，由兩個 64 位浮點表示(實部和虛部) 　　 　　NumPy 數字型別是dtype(資料型別)物件的例項，每個物件具有唯一的特徵。 這些型別可以是np.bool_，np.float32等。 　　 　　3.1 資料型別物件（dtype） 　　 　　資料型別物件描述了對應於陣列的固定記憶體塊的解釋，取決於以下方面： 　　 　　資料型別(整數、浮點或者 Python 物件) 　　 　　資料大小 　　 　　位元組序(小端或大端) 　　 　　在結構化型別的情況下，欄位的名稱，每個欄位的資料型別，和每個欄位佔用的記憶體塊部分。 　　 　　如果資料型別是子序列，它的形狀和資料型別。 　　 　　位元組順序取決於資料型別的字首<或>。<意味著編碼是小端(最小有效位元組儲存在最小地址中)。>意味著編碼是大端(最大有效位元組儲存在最小地址中)。 　　 　　dtype語法構造： 　　 　　1 　　 　　numpy.dtype(object, align, copy) 　　 　　引數為： 　　 　　Object：被轉換為資料型別的物件。 　　 　　Align：如果為true，則向欄位新增間隔，使其類似 C 的結構體。 　　 　　Copy： 生成dtype物件的新副本，如果為flase，結果是內建資料型別物件的引用。 　　 　　示例： 　　 　　# 使用陣列標量型別 　　 　　import numpy as np 　　 　　dt = np.dtype(np.int32) 　　 　　print(dt) 　　 　　# int32 　　 　　# int8，int16，int32，int64 可替換為等價的字串 'i1'，'i2'，'i4'，以及其他。 　　 　　dt = np.dtype('i4') 　　 　　print(dt) 　　 　　# int32 　　 　　# 使用端記號 　　 　　dt = np.dtype('>i4') 　　 　　print(dt) 　　 　　# >i4 　　 　　# 首先建立結構化資料型別。 　　 　　dt = np.dtype([('age',np.int8)]) 　　 　　print(dt) 　　 　　# [('age', 'i1')] 　　 　　# 現在將其應用於 ndarray 物件 　　 　　dt = np.dtype([('age',np.int8)]) 　　 　　a = np.array([(10,),(20,),(30,)], dtype = dt) 　　 　　print(a) 　　 　　# [(10,) (20,) (30,)] 　　 　　# 檔名稱可用於訪問 age 列的內容 　　 　　dt = np.dtype([('age',np.int8)]) 　　 　　a = np.array([(10,),(20,),(30,)], dtype = dt) 　　 　　print(a['age']) 　　 　　# [10 20 30] 　　 　　四，Numpy 切片和索引 　　 　　ndarray物件的內容可以通過索引或切片來訪問和修改，就像python的內建容器物件一樣。 　　 　　nadarray 物件中的元素遵循基於零的索引，有三種可用的索引方法型別：欄位訪問，基礎切片和高階索引。 　　 　　基本切片是Python中基本切片概念到n維的擴充套件，通過start，stop和step引數提供給內建函式的slice函式來構造一個Python slice物件，此slice物件被傳遞給陣列來提取陣列的一部分。 　　 　　練習： 　　 　　import numpy as np 　　 　　a = np.arange(10) 　　 　　print(a) 　　 　　# [0 1 2 3 4 5 6 7 8 9] 　　 　　s = slice(2,7,2) 　　 　　print(s) 　　 　　# slice(2, 7, 2) 　　 　　print(a[s]) 　　 　　# [2 4 6] 　　 　　b = a[2:7:2] 　　 　　print(b) 　　 　　# [2 4 6] 　　 　　# 對單個元素進行切片 　　 　　b = a[5] 　　 　　print(b) 　　 　　# 5 　　 　　# 對始於索引的元素進行切片 　　 　　print(a[2:]) 　　 　　# [2 3 4 5 6 7 8 9] 　　 　　# 對索引之間的元素進行切片 　　 　　print(a[2:5]) 　　 　　# [2 3 4] 　　 　　# 二維陣列 　　 　　# 最開始的陣列 　　 　　import numpy as np 　　 　　a = np.array([[1,2,3],[3,4,5],[4,5,6]]) 　　 　　print('我們的陣列是：') 　　 　　print(a) 　　 　　print ('\n') 　　 　　# 這會返回第二列元素的陣列： 　　 　　print ('第二列的元素是：') 　　 　　print(a[...,1]) 　　 　　print('\n') 　　 　　# 現在我們從第二行切片所有元素： 　　 　　print ('第二行的元素是：') 　　 　　print(a[1,...]) 　　 　　print( '\n') 　　 　　# 現在我們從第二列向後切片所有元素： 　　 　　print ('第二列及其剩餘元素是：') 　　 　　print(a[...,1:]) 　　 　　''' 　　 　　我們的陣列是： 　　 　　[[1 2 3] 　　 　　[3 4 5] 　　 　　[4 5 6]] 　　 　　第二列的元素是： 　　 　　[2 4 5] 　　 　　第二行的元素是： 　　 　　[3 4 5] 　　 　　第二列及其剩餘元素是： 　　 　　[[2 3] 　　 　　[4 5] 　　 　　[5 6]]''' 　　 　　五，Numpy-IO 　　 　　ndarray物件可以儲存到磁碟檔案並從磁碟檔案載入，可用的IO功能有： 　　 　　load()和save() 函式處理Numpy 二進位制檔案（帶npy副檔名）。 　　 　　loadtxt() 和savetxt() 函式處理正常的文字檔案。 　　 　　Numpy為ndarray物件引入了一個簡單的檔案格式，這個npy檔案在磁碟檔案中，儲存重建ndarray所需的資料，圖形，dtype和其他資訊，以便正確獲取陣列，即使該檔案在具有不同架構的一臺機器上。 　　 　　numpy.save() 　　 　　此函式是講檔案輸入陣列儲存在具有npy副檔名的磁碟檔案中。 　　 　　1 　　 　　2 　　 　　3 　　 　　import numpy as np 　　 　　a = np.array([1,2,3,4,5]) 　　 　　np.save('outfile',a) 　　 　　為了從outfile.npy重建陣列，請使用load()函式。 　　 　　1 　　 　　2 　　 　　3 　　 　　4 　　 　　import numpy as np 　　 　　b = np.load('outfile.npy') 　　 　　print(b) 　　 　　# [1 2 3 4 5] 　　 　　save()和load()函式接受一個附加的布林引數allow_pickles。Python中的pickle用在儲存到磁碟檔案或者從磁碟檔案讀取之前，對物件進行序列化和反序列化。 　　 　　savetxt() 　　 　　以簡單文字檔案格式儲存和獲取陣列資料，通過savetxt()和loadtxt()函式來完成的。 　　 　　import numpy as np 　　 　　a = np.array([1,2,3,4,5]) 　　 　　np.savetxt('out.txt',a) 　　 　　b = np.loadtxt('out.txt') 　　 　　print(b) 　　 　　# [1. 2. 3. 4. 5.] 　　 　　　　savetxt()和loadtxt()函式接受附加的可選引數，例如頁首，頁尾和分隔符。 　　 　　六，numpy中的ndarray與array的區別、不同 　　 　　答：Well, np.array is just a convenience function to create an ndarray, it is not a class itself. 　　 　　（嗯，np.array只是一個便捷的函式，用來建立一個ndarray，它本身不是一個類） 　　 　　You can also create an array using np.ndarray, but it is not the recommended way. From the docstring of np.ndarray: 　　 　　（你也能夠用np.ndarray來建立，但這不是推薦的方式。來自np.ndarray的文件：）