前言
ndarray是一个n维数组对象，是Python中一个快速灵活的大型数据集容器，允许我们使用类似于标量的操作语法在整块数据上进行计算。这种说法可能有点抽象，但是在看到后面对于ndarray的具体操作之后，相信你会有一个清晰的认识。

一个ndarray是一个通用的多维同类数据容器，也就是说，它包含的每一个元素均为相同类型。以下文章中“数组”、“Numpy数组”、“ndarray”为同一对象：ndarray对象。

numpy主要用于多维数组和矩阵运算，在numpy中的多维数组和矩阵就是ndarray对象，所以说它是numpy的灵魂毫不夸张。

numpy包的引入：

import numpy as np  //这种引入方式是约定俗成的

以下的示例代码非特殊需要将不写此语句，默认已经引入numpy包。

PS: 这篇文章是我写的numpy知识总结的一部分，完整知识总结入口在这篇文章，在这篇文章里我搭建了numpy的基础知识框架，非常适合入门。

1. ndarray属性

1) 数组基本属性

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型

2) 维度与轴

ndarray是一个n维数组，自然的，数组是有维度的。对于二维数组，我们常常在使用索引的时候有选定轴向的操作，利用axis变量定义，如下：

axis=0   //行排队的方向
axis=1	 //列排队的方向

开始的时候经常会记混，但是像上面这样记忆就不容易混，'1’不就像一个列吗，想象列和行都是一个个在排队，列排队的方向就是axis=1轴向，行排队的方向就是axis=0的方向。

3) 元素数据类型

同一个数组的所有元素类型都是相同的，元素的可用数据类型如下：

类型	类型代码（按顺序对应）	描述
int8, int16, int32, int64	i1, i2, i4, i8	8,16,32,64位有符号整数
uint8, uint16, uint32, uint64	u1,u2,u4,u8	8,16, 32,64位无符号整数
float16, float32, float64, float128	f2, f4或f, f8或d, f16或g	半、单、双、扩展精读浮点数
conplex64, complex128, complex256	c8,c16,c32	基于32、64、128位浮点的复数
bool	?	布尔值
object	O	Python object类型
string_	S	修正的ASCII字符串类型
unicode_	U	修正的Unicode类型

numpy专注于数值计算，如果没有特别指明，默认的数据类型是float64。

关于数据类型，知道有这些即可，不用在意一个数组元素到低是什么类型，当你需要在内存或硬盘上做更深入的存取操作时，尤其是大数据集时，你才真正需要了解存储的数据类型。

转换数据类型
numpy提供了转换数组数据类型的函数ndarray.astype，通过下面例子展示：
【例】将一个int64的数组转换为float64

In [37]: arr1 = np.arange(10)
In [38]: arr1.dtype
Out[38]: dtype('int64')

In [41]: float_arr = arr1.astype('float64')  
In [42]: float_arr.dtype
Out[42]: dtype('float64')

In [43]: arr2 = np.array([.23, .456, .234, 5.11, 9.22])

In [45]: arr1.dtype
Out[45]: dtype('int64')

astype接收的参数是numpy类型，上例中的’float64’等价于np.float64、ndarray.dtype（ndarray是一个float64类型的数组）。从上面的例子可以看到astype会生成一个新的数组，之前数组的类型并不会被改变。

2. 创建ndarray

1) 从列表和元组转换

这里使用两个numpy提供的函数：

函数名	描述
array	将输入数据（可以是列表、元组、数组等其他序列）转换为adarray，不显示指定类型时，自动推断类型。可在实参列表里加入参数（如 dtype=np.int64 ）以指定类型。
asarray	和array相同，区别是当输入数据是数组时，不再创建副本，而array会创建。

【例】分别用array和asarray从Python结构建立数组

In [49]: data1 = [[1,2,3],[4,5,6],[7,8,9]]

In [50]: data2 = ((1,2),(3,4),(5,6))

In [51]: arr1 = np.array(data1, dtype=np.float64)//指定元素类型为float64

In [52]: arr2 = np.array(data2) 

In [53]: arr1
Out[53]:
array([[1., 2., 3.],
       [4., 5., 6.],
       [7., 8., 9.]])

In [54]: arr2
Out[54]:
array([[1, 2],
       [3, 4],
       [5, 6]])
In [55]: arr3 = np.asarray(data2)

In [56]: arr3
Out[56]:
array([[1, 2],
       [3, 4],
       [5, 6]])

2) 内在的Numpy数组创建函数

numpy提供了很多内建函数来建立数组，当我们创建临时数组或特定数组时很好用。

a. 给定数组形状生成数组

函数名	描述	函数名	描述	函数名	描述	函数名	描述
ones	全1	zeros	全0	empty	无初始值	full	全特定值

注意：数组形状要放在一个元组传入，数据类型是可选项。
【例1】四个函数的调用示例

In [67]: arr1 = np.zeros((3,3))

In [68]: arr1
Out[68]:
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

In [69]: arr2 = np.empty

In [70]: arr2
Out[70]: <function numpy.empty>

In [71]: arr3 = np.ones((2,2),np.float64)

In [72]: arr3
Out[72]:
array([[1., 1.],
       [1., 1.]])

In [73]: arr4 = np.full((2,2),6,np.float64)

In [74]: arr4
Out[74]:
array([[6., 6.],
       [6., 6.]])

b. 生成与给定数组形状相同数组

函数名	描述	函数名	描述	函数名	描述	函数名	描述
ones_like	全1	zeros_like	全0	empty_like	官方说为空，我测试初始化为0	full_like	全特定值

【例2】四个函数的调用示例

In [76]: data = [[1,2],[3,4]]

In [77]: arr = np.array(data)

In [78]: arr
Out[78]:
array([[1, 2],
       [3, 4]])

In [79]: arr1 = np.zeros_like(arr)

In [80]: arr1
Out[80]:
array([[0, 0],
       [0, 0]])

In [81]: arr2 = np.ones_like(arr)

In [82]: arr2
Out[82]:
array([[1, 1],
       [1, 1]])

In [83]: arr3 = np.empty_like(arr)

In [84]: arr3
Out[84]:
array([[0, 0],
       [0, 0]])

In [85]: arr4 = np.full_like(arr,6)

In [86]: arr4
Out[86]:
array([[6, 6],
       [6, 6]])

c 生成特殊数组

函数名	描述
arange	数组版的range函数，生成一维数组
arange.reshape	arange常常搭配reshape将一维数组转化为其他形状，此时要注意元素个数，要保证一维数组元素个数恰好足够转换为后面数组形状，否则报错
eye	生成一个N X N的矩阵，主对角为1，其他元素为0，灵活，可传入多个维度，数据类型设置可选，形状不是方阵时，以左上角元素开始的最大方阵形成单位矩阵
idenyity	生成一个N X N的单位矩阵，只生成方阵，元素类型设置可选

【例3】生成特殊数组方法举例

In [108]: arr1 = np.arange(4)

In [109]: arr1
Out[109]: array([0, 1, 2, 3])

In [110]: arr2 = np.arange(4).reshape(2,2)

In [111]: arr2
Out[111]:
array([[0, 1],
       [2, 3]])
In [128]: arr3 = np.eye(2)

In [129]: arr3
Out[129]:
array([[1., 0.],
       [0., 1.]])

In [130]: arr4 = np.eye(2,3)  #不是方阵从左上角开始显示最大单位矩阵

In [131]: arr4
Out[131]:
array([[1., 0., 0.],
       [0., 1., 0.]])

In [134]: arr5 = np.identity(2)

In [135]: arr5
Out[135]:
array([[1., 0.],
       [0., 1.]])

3) 从特殊库函数生成：random库

numpy.random模块填充了Python内建random模块的不足，可以高效地生成多种概率分布下的完整样本值数组。

a. 生成概率分布下的数组

函数名	描述
rand	均匀分布，生成数值在0到1之间
randint	在给定范围抽取整数，randint(low, high, size=shape)
randn	均值为0方差为1的正态分布
binomial	B=(n,p)的二项分布，binomial(n,p,size=shape)
normal	均值为e，标准差为d的正态分布，normal(e, d, size=shape)
beta	阿尔法为m, 贝塔为n的beta分布，beta(m,n,size=shape)
chisquare	参数为n的卡方分布，chisquare(n, size=shape)
gamma	参数为k, theta的伽马分布，gamma(k, theta, size=shape)
uniform	a到b上的均匀分布，uniform(a, b, size=shape)

这个例子就不写了，函数参数列表都写的很清楚，数据类型都是可选项，直接调用就行了。

b. 随机数工具

在计算机中几乎不可能实现真正的随机，大多都有一些算法，但是总有迹可循。numpy为了实现“可控的随机”，使用了随机种子，改变随机种子会改变随机输出。通常我们设置随机种子是为了产生相同的随机数组。

除了随机种子，有时候我们还需要随机排列有序的数字，numpy同样提供了这种函数。

函数名	描述
seed	向随机数生成器传递随机状态种子，生成全局随机种子
RandomState	创建随机数生成器，用该生成器生成的数组相同，设置的是局部随机种子
permutation	返回一个序列的随机排列，或者返回一个乱序的整数范围序列。产生新序列，不改变原序列。
shuffle	随机排列一个序列。直接在原序列上操作，改变原序列，不产生新序列。

对全局和局部随机种子的讨论，篇幅较长，单独列出，seed方法和RandomState方法的使用例子也在这篇文章中。

当我们只是局部改变随机种子以产生相同随机数组的话，尽量使用RandomState，不要对全局随机种子进行改变，虽然通常情况下这种改变全局随机种子出错的机会很少。

【例】随机排列操作示例

In [177]: arr1 = np.arange(10)

In [178]: arr2 = np.arange(10)

In [179]: arr1,arr2
Out[179]: (array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]), array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))

In [180]: np.random.permutation(arr1)
Out[180]: array([2, 9, 6, 7, 1, 4, 5, 3, 8, 0])

In [181]: arr1
Out[181]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [182]: np.random.shuffle(arr2)

In [183]: arr2
Out[183]: array([3, 2, 0, 5, 4, 7, 1, 9, 6, 8])