NumPy数组的维数称为秩（rank），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（axes），秩其实是描述轴的数量。比如说，二维数组相当于是一个一维数组，而这个一维数组中每个元素又是一个一维数组。所以这个一维数组就是NumPy中的轴（axes），而轴的数量——秩，就是数组的维数。
Numpy库中的矩阵模块为ndarray对象，有很多属性：T，data, dtype,flags,flat,imag,real,size,
itemsize,nbytes,ndim,shape,strides,ctypes,base等等。
>>> import numpy as np >>> x=np.array([[1,2,3],[9,8,7],[6,5,4]]) >>> x.T #获得x的转置矩阵 array([[1, 9, 6], [2, 8, 5], [3, 7, 4]]) >>> print x.flags #返回数组内部的信息 C_CONTIGUOUS : True F_CONTIGUOUS : False OWNDATA : True WRITEABLE : True ALIGNED : True UPDATEIFCOPY : False >>> x.flat[2:6] #将数组变为1维数组，并获取其中的一部分数据 array([3, 9, 8, 7]) >>> x.flat = 4; x #将值赋给1维数组，再转化成有原有数组的大小形式 array([[4, 4, 4], [4, 4, 4], [4, 4, 4]]) >>> x array([[4, 4, 4], [4, 4, 4], [4, 4, 4]])
ndarray.imag # 为复变函数中含有虚部的数组，如下：
>>> x = np.sqrt([2+3j, 5+0j]) # 创建一个复数 >>> x array([ 1.67414923+0.89597748j, 2.23606798+0.j ]) >>> x.imag #获得复数的虚部 array([ 0.89597748, 0. ]) >>> x.real #获得复数的实部 array([ 1.67414923, 2.23606798]) >>> x=np.arange(10) #随机生成一个数组，并重新命名一个空间的数组 >>> x.reshape(2,5) array([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]) >>> x.size #获得数组中元素的个数 10 >>> x.ndim #获得数组的维数 >>> x.shape #获得数组的（行数，列数） (10,) >>> y=x.reshape(5,2) >>> y array([[0, 1], [2, 3], [4, 5], [6, 7], [8, 9]]) >>> y.base #获得该数组基于另外一个对象数组而来，如下，y是根据x而来 array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
Ndarray对象的方法
ndarray.ptp(axis=None, out=None) : 返回数组的最大值—最小值或者某轴的最大值—最小值
ndarray.clip(a_min, a_max, out=None) : 小于最小值的元素赋值为最小值，大于最大值的元素变为最大值。
ndarray.all()：如果所有元素都为真，那么返回真；否则返回假
ndarray.any()：只要有一个元素为真则返回真
ndarray.swapaxes(axis1, axis2) : 交换两个轴的元素，如下
>>> z.swapaxes(0,1) array([[2, 4, 6, 8], [3, 5, 7, 9]])
- 下面为改变数组维度和大小的方法：
ndarray.reshape(shape[, order]) :返回重命名数组大小后的数组，不改变元素个数.
ndarray.resize(new_shape[, refcheck]) :改变数组的大小（可以改变数组中元素个数）.
ndarray.transpose(*axes) :返回矩阵的转置矩阵
ndarray.swapaxes(axis1, axis2) : 交换两个轴的元素后的矩阵.
ndarray.flatten([order]) : 复制一个一维的array出来.
ndarray.ravel([order]) :返回为展平后的一维数组.
ndarray.squeeze([axis]) :移除长度为1的轴。
ndarray.tolist():将数组转化为列表
ndarray.take(indices, axis=None, out=None, mode=’raise’):获得数组的指定索引的数据，如：
>>> a=np.arange(12).reshape(3,4) >>> a array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> a.take([1,3],axis=1) #提取1，3列的数据 array([[ 1, 3], [ 5, 7], [ 9, 11]])
numpy.put(a, ind, v, mode=’raise’)：用v的值替换数组a中的ind（索引）的值。Mode可以为raise/wrap/clip。Clip：如果给定的ind超过了数组的大小，那么替换最后一个元素。
numpy.repeat(a, repeats, axis=None)：重复数组的元素，如：
>>> x = np.array([[1,2],[3,4]]) >>> np.repeat(x, 2) array([1, 1, 2, 2, 3, 3, 4, 4]) >>> np.repeat(x, 3, axis=1) array([[1, 1, 1, 2, 2, 2], [3, 3, 3, 4, 4, 4]]) >>> np.repeat(x, [1, 2], axis=0) array([[1, 2], [3, 4], [3, 4]])
numpy.tile(A, reps)：根据给定的reps重复数组A，和repeat不同，repeat是重复元素，该方法是重复数组。
ndarray.var(axis=None, dtype=None, out=None, ddof=0)：返回数组的方差，沿指定的轴。
ndarray.std(axis=None, dtype=None, out=None, ddof=0)：沿给定的轴返回数则的标准差
ndarray.prod(axis=None, dtype=None, out=None)：返回指定轴的所有元素乘机
ndarray.cumprod(axis=None, dtype=None, out=None)：返回指定轴的累积，如下：
>>> a array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> a.cumprod(axis=1) #得到竖轴的累积 array([[ 0, 0, 0, 0], [ 4, 20, 120, 840], [ 8, 72, 720, 7920]])
ndarray.mean(axis=None, dtype=None, out=None)：返回指定轴的数组元素均值
ndarray.cumsum(axis=None, dtype=None, out=None)：返回指定轴的元素累计和。如：
>>> a array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> a.cumsum(axis=1) array([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])
ndarray.sum(axis=None, dtype=None, out=None)：返回指定轴所有元素的和
ndarray.trace(offset=0, axis1=0, axis2=1, dtype=None, out=None)：返回沿对角线的数组元素之和
ndarray.round(decimals=0, out=None)：将数组中的元素按指定的精度进行四舍五入，如下：
>>> np.around([0.37, 1.64]) array([ 0., 2.]) >>> np.around([0.37, 1.64], decimals=1) array([ 0.4, 1.6]) >>> np.around([.5, 1.5, 2.5, 3.5, 4.5]) # rounds to nearest even value array([ 0., 2., 2., 4., 4.]) >>> np.around([1,2,3,11], decimals=1) # ndarray of ints is returned array([ 1, 2, 3, 11]) >>> np.around([1,2,3,11], decimals=-1) array([ 0, 0, 0, 10])
ndarray.conj()：返回所有复数元素的共轭复数,如：
>>> b=np.array([[1+2j,3+0j],[3+4j,7+5j]]) >>> b array([[ 1.+2.j, 3.+0.j], [ 3.+4.j, 7.+5.j]]) >>> b.conj() array([[ 1.-2.j, 3.-0.j], [ 3.-4.j, 7.-5.j]])