本篇文章主要包括两部分：
numpy简介
array结构介绍
一.numpy简介
numpy是pyhon中一个非常常用的科学计算库，它主要用来处理对数组的运算，numpy的绝大部分API都是针对数组的操作，特别是多维数组。
numpy的底层是一个ndarray结构，我们可以通过numpy.array(list)将一个列表转化为一个ndarry类型的数据结构。我们可以把ndarry结构看成是一个加强版的列表，它的本质仍然是一个列表，只是额外封装了一些方法和属性，使得它比list更加强大（也就是说，list能做的事，ndarray都能做，ndarray能做的事，list就不一定能做。正是有了ndarry结构，使得numpy能像matlab一样方便的操作数组）。与list相比，ndarray有如下特性：
ndarray类型的数组可以直接加减乘除某一个常数
import numpy as np list=[1,2,3,4] array=np.array(list) array+1 #对数组中的每一个元素+1 array*1 #对数组中每一个元素*1 array/2 array-1
上面的操作若是对list进行，则会报错.
二.ndarray结构
1.numpy.array(list)将list转为array结构
import numpy as np list=[1,2,3,4,5,6,7] array=np.array(list)
2.为了方便数组的计算，ndarray中的数据类型应该是一致的，这与list有区别，如果在创建ndarray时，数据类型不一致，会自动向下转化为相同的数据类型
list=[1,2,3,4,5,6] array=np.array(list) #list的数据类型都是int型，因此array的数据类型是int list=[1,2.9,4.5,4.7] array=np.array(list) #list的数据包含int和浮点型，array会自动把数据全部转为浮点型 list=[1,2,'uh',4] array=np.array(list) #list的数据中包含int和字符串，array会全部把数据转为字符串
3.ndarray基本属性操作
array=np.array([[1,2,3], [3,4,5]]) type(array) #返回array的数据类型（numpy.ndarray） array.dtype #返回array数组中的数据的数据类型 array.itemsize #数组中每一个数据所占的字节 array.shape #数组的结构，返回一个元组，元组中的每一个数据代表着数组在每一维有多少个数据 array.size #数组中元素的总个数 array.ndim #返回数组的维度，即数组总共有多少维 array.fill(0) #用0来填充array，即将array的所有数据都变成0
4.ndarray的切片
ndarray的切片操作和list的切片操作类似：
#######################################索引与切片操作 #1.一维矩阵的索引和切片操作与list完全一致 list=[1,2,3,4,5,6,8] array=np.array(list) array[0] #返回索引为0的值（1） array[1:5] #返回索引从1到5的值（不包括5） array[-1] #返回最后一个元素 #2.多维矩阵的索引和切片操作与list类似 list=[[1,2,3], [4,5,6], [7,8,9]] array=np.array(list) array[0] #返回索引为0的值，即第一行的元素（想想list[0]会返回什么值，这里是一致的） array[1,1] #返回第二行第二列的元素（索引从0开始） array[:,1] #返回第二列元素 array[:2] #返回前两行元素（注意区分有逗号和没有逗号的区别） array[1,1]=10 #可以根据索引直接修改该位置的数据（与list一致） array[0,0:2] #可以结合索引和切片来查找矩阵中某些特定位置的数据，需要记住，矩阵的不同的维度是根据逗号分隔的 #3.矩阵的复制有深浅拷贝之分 array1=array #浅拷贝，array1只是拷贝了array的一个引用，两个变量指向同一块内存(指向同一个矩阵），操作一个变量，另外一个变量值也会改变 array1[1,1]=10 #将array1的第二行第二列元素改为10，因为array1和array实际上指向同一个矩阵，因此array的第二行第二列元素也会变成10 array1=array.copy() #深拷贝，array1和array是两个完全独立的矩阵，操作一个矩阵不会影响另外一个矩阵 array1[1,1]=100 #将array1的第二行第二列改为100，因为array1和array两个矩阵是相互独立的，因此array第二行第二列元素还是10，不会变成100 #4.arange函数和random.rand函数,根据布尔值来筛选数据 ####arange函数的用法和range函数相同，两者区别在于，arange生成的是一个ndarray矩阵，range生成的是一个list array=np.arange(0,100,10)#返回 array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90]) ##生成一个布尔类型的矩阵 mask=np.array([0,1,0,1,1,0,0,1,0,1],dtype=bool) ##根据mask来筛选矩阵中的数据，返回array中以mask中值为1的索引作为索引的对应的值 ####注意：mask的元素个数必须与array中元素个数相同，即mask.size==array.size array[mask] #返回array([10, 30, 40, 70, 90]) ##除了自己定义一个bool矩阵之外，还可以利用array的数据大小来生成bool矩阵 mask=array>50 #mask是一个和array有着相同size的矩阵，若array[i]的值大于50，则mask[i]为true,否则为false array[mask] #使用这种方法可以很方便的在array矩阵中筛选出符合我们想要的数据 np.where(array>50) #使用where方法可以查看符合条件的元素的位置 ##random.rand()函数 #arry=np.random.rand(10) #生成一个size=10的一维矩阵，矩阵的每一个元素的值在0-1之间
5.ndarry中元素的数据类型转换
#在创建矩阵时，可以通过指定dtype属性来指定矩阵数据的数据类型 array=np.array([1,2,3,4,5],dtype=np.float32) #指定生成的数据是32位的浮点类型 array.nbytes #计算矩阵的总共字节数（5*4=20） ##前面说过，ndarray类型的矩阵会将数据类型统一向下转为同一种类型，如果想让矩阵像list那样，矩阵的元素有不同的数据类型，可以使用object类型 array=np.array([1,2,'stre',4],dtype=np.object) #生成的矩阵既有int类型的数据，又有字符串类型的数据 #除了可以在创建矩阵时指定dtype属性外，还可以使用asarray()，astype方法来实现矩阵数据类型的转换 array=np.array([1,2,3,4,5]) array1=np.asarray(array,dtype=np.float32) #需要注意，这种转换不会改变array的数据类型，因此需要将转换后的矩阵赋给一个新的变量 array1=array.astype(dtype=np.float32) #该方法也不会改变array的数据类型