NumPy是什么？
使用Python进行科学计算的基础包，在数据分析的时候比较常用到矩阵计算。这时太多的Np属性不记得，所以方便自己使用把一些常用的Np属性汇总记录一下使用的时候方便查找。
ndarray.ndim
阵列的轴数（尺寸）。
ndarray.shape
数组的大小。这是一个整数元组，表示每个维度中数组的大小。对于具有n行和m列的矩阵，shape将是(n,m)。shape因此，元组的长度 是轴的数量ndim。
ndarray.size
数组的元素总数。这相当于元素的乘积shape。
ndarray.dtype
描述数组中元素类型的对象。可以使用标准Python类型创建或指定dtype。此外，NumPy还提供自己的类型。numpy.int32，numpy.int16和numpy.float64就是一些例子。
ndarray.itemsize
数组中每个元素的大小（以字节为单位）。例如，类型的元素数组float64有itemsize8（= 64/8），而其中一个类型complex32有itemsize4（= 32/8）。它相当于ndarray.dtype.itemsize。
ndarray.data
包含数组实际元素的缓冲区。通常，我们不需要使用此属性，因为我们将使用索引工具访问数组中的元素
杂乱的知识？
查看一个函数的帮助文档，可以直接在文件里输入代码： help(np.add)
或者在命令行中输入：np.info(np.add)
查看包的版本号信息，可以直接输出： np.__version__
用zero函数创建数组，默认单元大小是八个字节（也就是默认double？）
import numpy as npA = np.zeros(4)
print(A.itemsize)
print(A.itemsize*A.size)
输出：
8
32
注意数组起始下标是从0开始的。
关于arange和reshape函数：
import numpy as npA = np.arange(8).reshape(2,4)
print(A)
输出：
[[0 1 2 3]
[4 5 6 7]]
关于返回非零元素的下标的一系列骚操作：
import numpy as npA = np.arange(8).reshape(2,4)
A=A+1
A[0][1]=0
print(A)
print(np.nonzero(A))
输出：
[[1 0 3 4]
[5 6 7 8]]
(array([0, 0, 0, 1, 1, 1, 1], dtype=int64), array([0, 2, 3, 0, 1, 2, 3], dtype=int64))
其中返回的两个参数，一个是第一维的下标，一个是第二维的下标。
关于eye函数，random函数，以及变量性质的测试
B = np.eye(2)print(B)
print(B.size)
print(B[0][1])
B=np.random.random((3,2))
print(B)
B="hello"
print(B)
输出：
[[1. 0.]
[0. 1.]]
4
0.0
[[0.29490288 0.14067274]
[0.96161076 0.92929841]
[0.26694438 0.40938209]]
hello
由此可见，相同都变量名是可以在不同时刻代替不同东西的。
但是不能对这个变量的其中一部分进行代替操作：（下面的函数中，只运行前两行是没有问题的）
程序1：qqweqeqweqq = np.zeros(12)
for i in range(10):
qqweqeqweqq[i]=np.zeros(12)
Error：
ValueError: setting an array element with a sequence.
----------------------------------------------------------------------------------
程序2：
qqweqeqweqq = np.zeros((10,2))
for i in range(10):
qqweqeqweqq[i]=np.zeros(12)
Error：
ValueError: could not broadcast input array from shape (12) into shape (2)
但是这样是没有问题的：
qqweqeqweqq = np.zeros((10,2))qqweqeqweqq = np.zeros(12)
疑问：sequence，array，list，dic，都有啥区别？
sum函数，max函数，min函数，mean函数
B=np.random.random((3,2))print(B)
print(B.max(),B.min(),B.mean())
输出：
[[0.89882712 0.77860196]
[0.7093924 0.15120126]
[0.99924821 0.91765126]]
0.9992482107724574 0.15120126168466463 0.7424870345505307
对应的，可以添加参数axis=0代表在第0维上进行合并
进一步体验random函数
np1.random.rand（0-1之间的的随机数生成）\randn（服从正态分布的随机数生成）\randint（随机整数的生成）\choice（[]）（随机数产生的范围自定义）\......（其他随机数类型）,举例如下：（图片源自链接）
体验索引下标区别：
B=np.arange(25).reshape((5,5))print(B)
print(B[1:-1,1:-1])
print(B[1:-1])
print(B[1:-1][1:-1])
输出：
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]
[[ 6 7 8]
[11 12 13]
[16 17 18]]
[[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]]
int，float，str之间的类型转换：
num2 = "123";num2 = int(num1);
print("num2: %d" % num2);
'''
输出 num2: 123
'''
num1 = "123.12";
num2 = float(num1);
print("num2: %f" % num2);
'''
num2: 123.120000
'''
num = 123;
mystr = str(num);
print ("%s" % mystr);
''' 输出 123 '''
其他小测试：（关于numpy的sum函数）
range(2,4)Out[141]: range(2, 4)
np.sum(range(4))
Out[142]: 6
qqqq=range(4)
qqqq
Out[144]: range(0, 4)
type(qqqq)
Out[145]: range
np.sum(range(10,12))
Out[146]: 21
numpy包中，还有一个非常实用的玩意：矩阵操作。
创建一个矩阵，可以使用函数np,mat(...)，参数可以是一个list或者是一个narray。
你想构建一个2*3的全1矩阵，则只需要：
A=np.mat(np.ones(6).reshape(2,3))即可。
现在假设A是个矩阵，那么：
求矩阵的逆：A.I 或者：np.linalg.inv(A)
求矩阵的转置：A.T 或者: A.linalg.transpose()
求矩阵的行列式：np.linalg.det(A)
求矩阵的特征值和特征向量：np.linalg.eig(np1)
矩阵的点乘：np.linalg.dot(A,B)
求线性方程组的解：
首先写出方程组的右边的y值向量：y=np.array([[y1],[y2],[y3]...])
函数值的集合等于 x=np.linalg.solve(A,y)
但是要注意np.mat()和np.matrix()的区别：后者是完全复制，前者是当参数是矩阵的时候是直接引用的。
关于数据保存
Numpy提供了几种数据保存的方法。
以3*4数组a为例：
1. a.tofile("filename.bin")
这种方法只能保存为二进制文件，且不能保存当前数据的行列信息，文件后缀不一定非要是bin，也可以为txt，但不影响保存格式，都是二进制。
这种保存方法对数据读取有要求，需要手动指定读出来的数据的的dtype，如果指定的格式与保存时的不一致，则读出来的就是错误的数据。
b = numpy.fromfile("filename.bin",dtype = **)
读出来的数据是一维数组，需要利用
b.shape = 3,4重新指定维数。
2.numpy.save("filename.npy",a)
利用这种方法，保存文件的后缀名字一定会被置为.npy，这种格式最好只用
numpy.load("filename")来读取。
3.numpy.savetxt("filename.txt",a)
b = numpy.loadtxt("filename.txt")
用于处理一维和二维数组
两个数组的拼接：
np.concatenate((list1,list2),axis=0)：矩阵之间的拼接
axis=0，代表在行方向上拼接（竖着接到后面）
axis=1，代表在列方向上拼接（横着接到后面）