NumPy 教程目录
NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
很多时候可以声明 axis。
-
- axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；
- axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
NumPy 的数组中比较重要 ndarray 对象属性有：
| 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。 |
| ndarray.flat | 数组上的一维迭代器。 |
| ndarray.base | Base object if memory is from some other object. |
属性
numpy.ndarray.ndim
Examples：返回轴数。
>>> x = np.array([1, 2, 3])
>>> x.ndim
1
>>> y = np.zeros((2, 3, 4))
>>> y.ndim
3
ndarray.shape
ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。比如，一个二维数组，其维度表示"行数"和"列数"。
a = np.array([[1,2,3],[4,5,6]])
print (a.shape)
(2, 3) #元组
类似的 numpy.shape : Return the shape of an array.
np.shape(np.eye(3))
(3, 3)
np.shape([[1, 3]])
(1, 2)
np.shape([0])
(1,)
np.shape(0)
()
a = np.array([(1, 2), (3, 4), (5, 6)],
dtype=[('x', 'i4'), ('y', 'i4')])
np.shape(a)
(3,)
a.shape
(3,)
使用 ndarray.shape 调整数据大小：
a = np.array([[1,2,3],[4,5,6]])
a.shape = (3,2)
print (a)
#输出结果为：
[[1 2]
[3 4]
[5 6]]
类似的：NumPy 也提供了 reshape 函数来调整数组大小。
a = np.array([[1,2,3],[4,5,6]])
b = a.reshape(3,2)
print (b)
#输出结果为：
[[1, 2]
[3, 4]
[5, 6]]
ndarray.itemsize
ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
例如，一个元素类型为 float64 的数组 itemsize 属性值为 8 (float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。
# 数组的 dtype 为 int8（一个字节）
x = np.array([1,2,3,4,5], dtype = np.int8)
print (x.itemsize)
# 数组的 dtype 现在为 float64（八个字节）
y = np.array([1,2,3,4,5], dtype = np.float64)
print (y.itemsize)
#输出结果
1
8
ndarray.flags
ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：
| 属性 | 描述 |
|---|---|
| C_CONTIGUOUS (C) | 数据是在一个单一的C风格的连续段中 |
| F_CONTIGUOUS (F) | 数据是在一个单一的Fortran风格的连续段中 |
| OWNDATA (O) | 数组拥有它所使用的内存或从另一个对象中借用它 |
| WRITEABLE (W) | 数据区域可以被写入，将该值设置为 False，则数据为只读 |
| ALIGNED (A) | 数据和所有元素都适当地对齐到硬件上 |
| UPDATEIFCOPY (U) | 这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新 |
numpy.ndarray.base
返回 Base Object.
Examples：
x = np.array([1,2])
print(x.base)
y=x[1:]
print(y.base) #返回的是 x 中的数据，有点像 copy
print(y.base is x)
#输出结果
None
[1 2]
True
numpy.ndarray.flat
返回 ndarray 的一维迭代器。
Examples:
x= np.arange(6).reshape((2,3))
print(x)
for i in x.flat:
print(i,end=' ')
print()
print(type(x.flat))
#输出结果
[[0 1 2]
[3 4 5]]
0 1 2 3 4 5
<class 'numpy.flatiter'>
numpy.ndarray.T
返回转置数组。
Examples：
x = np.array([[1.,2.],[3.,4.]])
print('原始数组：\n',x)
print('转置数组：\n',x.T)
x = np.array([1.,2.,3.,4.])
print('原始数组：\n',x)
print('转置数组：\n',x.T)
#输出结果
原始数组：
[[1. 2.]
[3. 4.]]
转置数组：
[[1. 3.]
[2. 4.]]
原始数组：
[1. 2. 3. 4.]
转置数组：
[1. 2. 3. 4.]
numpy.ndarray.real & numpy.ndarray.imag
- numpy.ndarray.real 返回 ndarray 的实部
- numpy.ndarray.imag 返回 ndarray 的虚部
Example1：
x = np.array([1.,2.,3.,4.])
print(x)
print(x.real)
print(x.imag)
#输出结果
[1. 2. 3. 4.]
[1. 2. 3. 4.]
[0. 0. 0. 0.]
Example2：
x = np.array([1+1j,2,3,4])
print(x)
print(x.real)
print(x.imag)
#输出结果
[1.+1.j 2.+0.j 3.+0.j 4.+0.j]
[1. 2. 3. 4.]
[1. 0. 0. 0.]
同样可以通过 .real 和 .imag 修改元素的实部或者虚部。
Examples3:
x = np.array([1+1j,2,3,4])
print(x)
print(x.real)
print(x.imag)
#通过x.real修改所有元素的实部
x.real = 9
print(x)
#通过x.imag修改所有元素的实部
x = np.array([1+1j,2,3,4])
x.imag = 7
print(x)
#输出结果
[1.+1.j 2.+0.j 3.+0.j 4.+0.j]
[1. 2. 3. 4.]
[1. 0. 0. 0.]
[9.+1.j 9.+0.j 9.+0.j 9.+0.j]
[1.+7.j 2.+7.j 3.+7.j 4.+7.j]
对于实部和虚部，存在：
- np.real(x)：返回实部
- np.imag(x)：返回虚部
Examples:
print(np.real(x))
print(np.imag(x))
#输出结果
[1. 2. 3. 4.]
[7. 7. 7. 7.]