Python 从入门到实战41（NumPy数值计算）
我们的目标是：通过这一套资料学习下来，可以熟练掌握python基础，然后结合经典实例、实践相结合，使我们完全掌握python，并做到独立完成项目开发的能力。
上篇文章我们学习了数据分析的相关基础知识。今天学习一下数据分析相关的NumPy数值计算知识。
1、NumPy简介
NumPy 模块是python 的一个第三方模块。模块中包含了大量的数值计算函数。NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure）结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库 。
2、安装NumPy
因为是第三方库，使用前要先安装。可以使用pip的安装方式：
python -m pip install numpy –target=.\ #在当前目录安装库
如下图安装中，
对于site-packages 文件下有对应的NumPy
然后导入模块使用：
import numpy
如例子：确认numpy 模块 正常可以使用
import numpy as np
a = np.random.random(4) #生成随机浮点类型数组
print(a.dtype) #查看数据类型
输出结果：float64
3、NumPy的数据类型
NumPy 支持的数据类型有很多，如下：
| 名称 | 描述 |
| bool_ | 布尔型数据类型（True 或者 False） |
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| int8 | 字节（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295） |
| uint64 | 无符号整数（0 to 18446744073709551615） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex_ | complex128 类型的简写，即 128 位复数 |
| complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
类似上一个例子：
import numpy as np
a = np.random.random(4) #生成随机浮点类型数组
print(a.dtype) #查看数据类型
输出结果：float64
4、ndarray 数组对象
ndarray 对象是NumPy 模块的基础对象，用于存放同类型元素的多维数值。
ndarray 数组中的每个元素在内存中都有相同存储大小的区域，而数据类型是由dtype()对象指定的，每个ndarray 数组只有一种dtype类型。
数组有一个重要的属性是shape，数组的维数与元素的数量就是通过shape来确定的。
数组的形状（shape）是由N个正整数组成的元组来指定的，其中元组的每个元素对应每一维的大小。
另外，数组在创建时指定大小后将不会再发生变化，而python中的列表大小是可以改变的，这是数组和列表区别较大的地方。
创建一个ndarray 数据只需要调用NumPy 的array（）函数即可，语法如下：
numpy.array(object,dtype=None,copy=True,order=’K’,subok=False,ndmin=0)
对应参数说明如下：
| object | 表示一个数组或嵌套序列的对象 |
| dtype | 可选参数，通过它可以更改数组的数据类型---可将原来的整型或者其他类型进行强制转换 |
| copy | 可选参数，当数据源是ndarray 时表示数组能否被复制，默认是True |
| order | 可选参数，以哪种内存布局创建数组，有3个可选值，分别是C（行序列）/F（列序列）/A（默认） |
| subok | 可选参数，类型为bool值，默认为False。 为True，使用object的内部数据类型； 为False 使用object数组的数据类型 |
| ndmin | 可选参数，用于指定数组的最小维度--例如 一维数组、二维数组、三维数组等 |
实例：创建ndarray 数组对象，如使用array（）函数创建一个ndarray 数组对象时，需要使用python 列表作为参数，而列表中的元素即是ndarray数组对象的元素；
arr = np.array([10,20,30,40])
print("数组的内容：",arr) #输出数组的内容
print("数组的类型：",arr.dtype)#输出数组类型，也就是数组中元素的数据类型
print("数组的形状：",arr.shape)#输出数组的形状，元组中的每个元素对应每一维的大小
print("数组的维数：",arr.ndim)#输出数组的维数
print("数组的长度：",arr.size)#输出数组长度
输出参考：
二维数组对象：
arr1 = np.array([[1,2,3,4,5],[10,20,30,40,50]])#定义ndarray 数组对象，二维数组
print("数组的内容：",arr1)
print("数组的类型：",arr1.dtype)#输出数组类型，也就是数组中元素的数据类型
print("数组的形状：",arr1.shape)#输出数组的形状，元组中的每个元素对应每一维的大小
print("数组的维数：",arr1.ndim)#输出数组的维数
print("数组的长度：",arr1.size)#输出数组长度
输出参考：
除了以上使用的属性，还有：
| 属性 | 说明 |
| ndarray.ndim | 秩，即轴的数量或维度的数量 |
| ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
| ndarray.size | 数组元素的总个数，相当于 .shape 中 n*m 的值 |
| ndarray.dtype | ndarray 对象的元素类型 |
| ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
| ndarray.flags | ndarray 对象的内存信息 |
| ndarray.real | ndarray元素的实部 |
| ndarray.imag | ndarray 元素的虚部 |
| ndarray.data | 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 |
5、dtype数据类型对象
数据类型对象是numpy.dtype类的实例，用来描述与数组对应的内存区域。
使用语法如下：
numpy.dtype(obj[,align,copy])
参数说明：
object ---要转换的数据类型对象
align ---如果是True,则填充字段是其类似C的结构体
copy---要复制的dtype对象，如果是False，则是对内置数据类型对象的引用
1）查看数组类型实例
例如，查看数组类型时，使用如下代码：
import numpy as np
a = np.random.random(3) #生成随机浮点类型数组
print("浮点类型数组的数据类型：",a.dtype) #查看数组类型
print("生成的数组为：",a)
输出：
浮点类型数组的数据类型： float64
生成的数组为： [0.87503289 0.3114382 0.02572668]
2）创建数组时指定数组类型
每个ndarray 对象都有一个相关联的dtype对象，例如需要定义一个复数数组时，可以通过数组相关联的dtype对象，指定数据的类型，代码如下：
arr1 = np.array([[1,2,3,4],[10,20,30,40]],dtype=complex)#创建复数数组
print("数组的内容：",arr1)
print("数组的类型为：",arr1.dtype)#数组的类型
输出参考：
数组的内容： [[ 1.+0.j 2.+0.j 3.+0.j 4.+0.j]
[10.+0.j 20.+0.j 30.+0.j 40.+0.j]]
数组的类型为： complex128
今天先写学习到这里了，每天进步一点点。明天也要加油啊！