标签：src sha pytho ref 主要对象 port 列表 通过 三维
Numpy介绍（获取地址）
numpy的主要对象是同质多维数组。也就是在一个元素（通常是数字）表中，元素的类型都是相同的。
numpy的数组类被成为ndarray。别名为array。numpy.array与标准python库类array.array不一样，标准库类中的那个只能处理一维数组并且功能更少。
例如ndarray为矩阵
关于维数和类型操作：
ndarray.ndim 数组的轴（维度）的数量。
ndarray.shape： 数组的维度。
ndarray.size： 数组的元素的总个数。（m*n）
ndarray.dtype： 用来描述数组中元素类型的对象。
例子：
1 import numpy as np 2 3 A = np.array([1,3,1]) 4 B = np.array([[1],[2],[3]]) 5 C = np.array([1,3,1],dtype= "float64") 6 print(""" 7 数组A的维度数为%s 8 数组A的维度为%s 9 数组A的元素总个数为%s 10 """ %(A.ndim ,B.shape ,A.size)) 11 print(""" 12 数组A的类型%s 13 数组C的类型%s 14 """ %(A.dtype ,C.dtype ))
结果：
关于生成特殊矩阵操作：
zeros（） 元素全部为0
ones（） 元素全为1
arange（起始，结束，步长）
linspace（起始，结束，元素个数）
为了生成数字序列。numpy提供一个类似于arange的函数，返回一个列表，参数为（起始，结束，步长）
函数linspace是一个更好的选择，因为我们可以对该函数指定需要创建多少个元素，参数为（起始，结束，元素个数）
例子：
__author__ = "WSX"
import numpy as np
A = np.zeros((3,3))
B = np.ones((3,3))
C = np.arange(1.0,5,2.1)
D = np.linspace(1,5,4)
print("""
生成的A为:\n%s
生成的B为:\n%s
生成的C为:\n%s
生成的D为:\n%s
""" %(A,B,C,D))
结果：
关于reshape的使用：
A= np.array([1,2,3,4,5,6,7,8,9])
B= np.array([1,2,3,4,5,6,7,8,9,10,11,12])
print("A(3,3)\n", A.reshape(3,3)) #二维矩阵
print("B(1,9)\n",A.reshape(1,9)) #二维矩阵
print("B(2,2,3)\n",B.reshape(2,2,3)) #三维矩阵
结果：
关于矩阵的运算：
在数组上的算术操作符是逐元素的得到的是一个重新创建的数组，然后将结果写入新数组中：
numpy中乘积操作符×是逐元素进行的
矩阵的积可以通过使用dot 函数
（待续。。。）
标签：src sha pytho ref 主要对象 port 列表 通过 三维
原文地址：https://www.cnblogs.com/WSX1994/p/9061470.html
