#!/usr/bin/env python # _*_ coding:utf-8 _*_ # @Time    : 2018/11/25 21:01 # ndarray.ndim：数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。 # ndarray.shape：数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有n行和m列的矩阵，shape将是(n,m)。因此，shape元组的长度就是rank或维度的个数 ndim。 # ndarray.size：数组元素的总数。这等于shape的元素的乘积。 # ndarray.dtype：一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。 # ndarray.itemsize：数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。 # ndarray.data：该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。 # import numpy as np from numpy import pi # a = np.arange(15).reshape(3,5) # print(a) # # 纬度ndim # print(a.ndim) # # 几行几列 # print(a.shape) # # print(type(np.array([6,7,8]))) # a = np.array([2,3,4]) # print(a) # 二维数组 # b = np.array([(1,2,3,4),(6,7,8,9)],dtype=complex) # print(b) # 生成0/1矩阵 # print(np.zeros((3,4),dtype=np.int)) # print(np.ones((3,4),dtype=int)) # 三维的 # print(np.zeros((3,4,5),dtype=np.int16)) # print(np.ones((3,4,5),dtype=np.int16)) # print(np.empty((2,3))) # 生成等差数列 # print(np.arange(3,97,5)) # print(np.arange(0,2,0.3)) # print(np.linspace(0,2,9)) # x = np.linspace(0,2*pi,100) # # f = np.exp(x) # g = np.sin(x) # print(f,g) # print(np.arange(100).reshape((10,10))) # # print(np.arange(2*3*4).reshape((2,3,4))) # a = np.array([20,30,40,50]) # b = np.arange(4) #等位数组之间进行四则运算对影位置运算 # print(a,b,a-b) # # print(b**2,10*np.sin(a)) # print(10*np.sin(a)>1) # # 生成判断数组 # print(a<35) # c = np.arange(24).reshape((2,3,4)) # print(c>12) # print() # A = np.array( [[1,1],[0,1]] ) # B = np.array( [[2,0],[3,4]] ) # print(A,B) # 元素级别的乘法运算 # print(A*B) # 矩阵乘法运算-dot函数 # print(A.dot(B)) # a = np.ones((2,3),dtype=int) # b = np.random.random((2,3)) # # print(a,b) # # 某些操作例如*= += 适用于数组的对应元素操作结果数组不改变原来的shape，而不适用于去创建新数组 # a*=3 # print(a) # b+=a # print(b) # a = np.random.random((2,3)) # print(a) # print(a.sum(),a.min(),a.max()) b = np.arange(12).reshape((3,4)) print(b) print(b.sum(axis=0),b.sum(axis=1))