数组的索引，切片

ndarray[a,b,c...]根据数组的维数来看

a = np.array([[1,2,3],
              [4,5,6]])  #二维
b = np.array([
              [[1,2,3],
               [4,5,6]],
    
              [[7,8,9],
               [10,11,12]]
             ])  #三维

print(a[0,0])
print(b[1,1,2])

>>>
1
12

修改数组形状

ndarray.reshape(new_shape)

• 返回一个新的数组对象

ndarray.reshape(想要修改的形状)，但要保证修改后的形状是有意义的，比如你原来的数组形状是[3,3]，你使用ndarray.reshape([2,5])很明显整除不了，会报错。如果某个参数为 -1，那么会自动整除，也就是个待计算值。

a = np.array([[1,2,3],
              [4,5,6]])  #shape是[2,3]
b = np.array([
              [[1,2,3],
               [4,5,6]],
    
              [[7,8,9],
               [10,11,12]]
             ])  #shape是[2,2,3]
a.reshape([3,2])
b.reshape([3,-1])

>>>
array([[1, 2],
       [3, 4],
       [5, 6]])
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

ndarray.resize(new_shape)

修改数组本身的形状，（需要保持元素个数前后想同），使用方法也和ndarray.reshape(new_shape)一致。

修改数组元素类型

ndarray.astype(np.int64)

同样是返回一个新的数组对象

a = np.array([[1,2,3],
              [4,5,6]])  #二维
b = a.astype(np.float32)
b.dtype

>>>
dtype=float32

数组的去重

np.unique(ndarray对象)

返回一个新的数组对象

a= np.array([[1,2,3,4],[3,4,5,6]])
b = np.unique(a)
b

>>>
array([1,2,3,4,5,6])

创建0,1数组

• 创建0数组，np.zeros(0数组的形状)

zeros = np.zeros([2,3])
zeros

>>>
array([[0., 0., 0.],
       [0., 0., 0.]])

• 将数组中的数都修改成0，np.zeros_like(ndarry对象)

ones = np.ones([2,3])
ones_0 = np.zeros_like(ones)
ones_0 

>>>
array([[0., 0., 0.],
       [0., 0., 0.]])

• 创建1数组，np.ones(1数组的形状)

ones = np.ones([2,3])
ones

>>>
array([[1., 1., 1.],
       [1., 1., 1.]])

• 将数组中的数都修改成1，np.ones_like(ndarry对象)

ndarray数组的生成方式

• np.array(object,dtype)
• np.asarray(ndarray对象,dtype)

第一种就是使用np.array(object,dtype)去生成，其中object对象可以是数组或者一个已经存在ndarray对象。

如果里面的参数使用的其他ndarray对象，那么生成的数组就是其参数里数组的深拷贝，原始数组的修改对其没有影响。

a = np.array([[1,2,3],[4,5,6]])
print(a)
a1 = np.array(a)
print(a1)
# a1就是a的深拷贝
>>>
[[1 2 3]
         [[1 2 3]
 [4 5 6]]
         [4 5 6]]

第二种就是使用np.asarray(ndarray对象,dtype)去生成，需要注意的是这个方法类似于copy（拷贝）中的浅拷贝。

使用asarray方法生成的 数组(as) 是原来 数组(初始) 的浅拷贝，也就是说数组(原始)的修改对其有影响，但不会影响到使用np.array(数组(初始))生成的数组(ar)。

更详细就是相当于索引的形式，并没有真正的创建一个新的。
ps：as，ar只是代表使用asarray和ar方法生成的数组别名。

a = np.array([[1,2,3],[4,5,6]])
ar = np.array(a) # ar
ass = np.asarray(a)  # as
print("=====原始数组修改前====")
print(ar,'\n\n',ass)

a[0][0] = 1000
print("=====原始数组修改后====")
print(ar,'\n\n',ass)

>>>
=====原始数组修改前====
[[1 2 3]
 [4 5 6]] 

 [[1 2 3]
 [4 5 6]]
=====原始数组修改后====
[[1 2 3]
 [4 5 6]] 

 [[1000    2    3]
 [   4    5    6]]

生成固定范围的数组

1. np.linspace(start,stop,num,endpoint)

• 创建等差数组 --- 指定数量
• 参数：
  start：序列的起始值
  stop：序列的终止值
  num：要生成的等间隔样例数量，默认50
  endpoint：序列中是否包含stop值，默认true

需要注意的是，数组元素类型dtype是dtype('float64')类型

gd_1 = np.linspace(0,100,11)
print(gd_1.dtype,gd_1)

>>>
dtype('float64')
array([  0.,  10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90., 100.])

2. np.arange(start,stop,step,dtype)

• 创建等差数组 --- 指定步长
• 参数：
  step：步长，和range的一样

gd_2 = np.arange(0,110,10)
print(gd_2.dtype)
gd_2

>>>
dtype('int32')
array([  0,  10,  20,  30,  40,  50,  60,  70,  80,  90, 100])

3. np.logspace(start,stop,num)

• 创建等比数列
• 参数：
  num：要生成的等比数列的数量，默认50

gd_3 = np.logspace(0,2,3)
gd_3

>>>
dtype('float64')
array([  1.,  10., 100.])

生成随机数组

生成随机整数数组

# 生成 40 <= x <= 100 的10行5列的二维数组
score = np.random.randint(40,100,(10,5))

>>>
array([[99, 41, 65, 87, 99],
       [80, 94, 67, 72, 83],
       [91, 74, 56, 90, 73],
       [74, 98, 46, 70, 79],
       [89, 42, 62, 79, 97],
       [66, 92, 99, 98, 56],
       [54, 40, 80, 87, 96],
       [42, 72, 45, 40, 94],
       [62, 76, 80, 80, 77],
       [54, 93, 91, 47, 52]])

直方图的认识

直方图，形状类似柱状图却有着与柱状图完全不同的含义。直方图牵涉统计学的概念，首先要对数据进行分组，然后统计每个分组内数据元的数量。 在坐标系中，横轴标出每个组的端点，纵轴表示频数，每个矩形的高代表对应的频数，称这样的统计图为频数分布直方图。

结合matplotlib中的plt.hist(数据，条数) 我对上面红字的理解是，根据参数中的条数去进行分组形成不同的条状（长得像柱状图但完全不一样），没个分组（也就是每个条条）的高度就是统计后每个分组内数据元的数量。拿均匀分布中的图打个比方：

正态分布（normal distribution）
np.random.normal(μ=0.0,σ=1.0,size=None）

关于size参数有两种情况：

1. size是个整数：则返回一个一维ndarray类型的数组，个数就是输入值
2. size是个元组：则返回一个形状和输入元组一致的数组

正态分布我们并不陌生，若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

• μ 是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。

• σ 描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。

至于正态分布为什么叫normal distribution，是因为在大自然中符合这种概率分布的情况十分常见普通。身高，体重，天气之类的，所以叫做normal。

x1 = np.random.normal(2,1,1000000)
# 创建画布
plt.figure(figsize=(20,8),dpi=100)

# 作图
plt.hist(x1,100)

plt.show()

标准正态分布
numpy.random.randn(d0,d1,…,dn)

• randn函数返回一个或一组样本，具有标准正态分布。
• dn表格每个维度
• 返回值为指定维度的array
• np.random.randn() # 当没有参数时，返回单个数据

rdn = np.random.randn(100000)
plt.hist(rdn,1000)
plt.show()

均匀分布
np.random.uniform(low=0.0,high=1.0,size=None)

• 功能：从一个均匀分布（一个上下限分别为low，high的矩形）中随机采样，注意定义域是左闭右开，即包含low，但不包含high
• 参数：
  low：采样下界，float类型，默认0
  high：采样上界，float类型，默认1
  size：输出样本数目，int或元组（tuple）类型，例如 size=（m,n,k），则输出mnk个样本，缺省时输出一个值
• 返回值：返回一个ndarray类型，其形状和size中一致

uf = np.random.uniform(1,3,1000000)
# 创建画布
plt.figure(figsize=(20,8),dpi=100)

# 作图
plt.hist(uf,100)

plt.show()