NumPy:数组计算
NumPy是高性能科学计算和数据分析的基础包。它是Pandas等其他各种工具的基础
NumPy的主要功能:
　　ndarray,一个多维数据结构，高校且节省空间
　　无需循环即可对整组数据进行快速运算的数学函数
　　读写磁盘数据的工具以及用于操作内存映射文件的工具
　　线性代数、随机数生成和傅里叶变化功能
　　用于集成C、C++等代码的工具
安装方法:pip install numpy(如果显示命令不存在可以尝试python -m install numpy)
引用方式通常喜欢给numpy模块别名:import numpy as npNumPy简单使用
例1：已知若干家跨国公司的市值（美元），将其换算为人民币

例2：已知购物车中每件商品的价格与商品件数，求总金额

创建ndarray:np.array()
ndarray是多维数组结构，与列表的区别是：数组对象内的元素类型必须相同　　数组大小不可修改 常用属性
T　　　　数组的转置(对二维及以上数组而言)

dtype　　　数组元素的数据类型
size　　　 数组元素的个数
ndim　　 数组的维数
shape　　 数组的维度大小(以元祖的形式)

ndarray创建
arange()　　　　比我们的python3里面的range更加强大，支持浮点数范围

linspance()　　　　类似于arange(),第三个参数为数组长度

zeros() 　　　　 根据指定形状和dtype创建全0数组

ones() 　　　　 根据指定形状和dtype创建全1数组
empty() 　　　　根据指定形状和dtype创建空数组（随机值）
eye() 　　　　　根据指定边长和dtype创建单位矩阵 NumPy索引切片
数组和标量(数字)之间的运算
　　a+1 a*3 1//a a**0.5
同样大小数组之间的运算
　　a+b a/b a**b
数组的索引
一维数组：a[5]
多维数组：
　　列表式写法：a[2][3]新式写法：a[2,3] (推荐) 逗号隔开，前面作用于行后面作用于列
数组的切片
一维数组：a[5:8] 　　　　a[4:] 　　　　a[2:10] = 1
多维数组：a[1:2, 3:4] 　　a[:,3:5] 　　 a[:,1]
与列表不同，数组切片时并不会自动复制，在切片数组上的修改会影响原数组(因为不会复制一份出去而是沿用原来的内存空间中的值)。 【解决方法：copy()】NumPy布尔型索引
问题：给一个数组，选出数组中所有大于5的数。
答案：a[a>5]
原理： a>5会对a中的每一个元素进行判断，返回一个布尔数组 布尔型索引：将同样大小的布尔数组传进索引，会返回一个由所有True对应位置的元素的数组
问题2：给一个数组，选出数组中所有大于5的偶数。
问题3：给一个数组，选出数组中所有大于5的数和偶数。
答案：
　　　　a[(a>5) & (a%2==0)]
　　　　a[(a>5) | (a%2==0)]NumPy花式索引
问题1：对于一个数组，选出其第1，3，4，6，7个元素，组成新的二维数组。
　　答案：a[[1,3,4,6,7]]
问题2：对一个二维数组，选出其第一列和第三列，组成新的二维数组。
　　答案：a[:,[1,3]]必会知识点
浮点数特殊值
浮点数：float
浮点数有两个特殊值：
　　nan(Not a Number)：不等于任何浮点数（nan != nan）
　　inf(infinity)：比任何浮点数都大
NumPy中创建特殊值：np.nan np.inf
在数据分析中，nan常被用作表示数据缺失值
sum 求和
cumsum 求前缀和(截至当前元素及其前面所有的元素和)
mean 求平均数
std 求标准差
var 求方差
min 求最小值
max 求最大值
argmin 求最小值索引
argmax 求最大值索引总结
数组中的数据类型必须一致，并且数组大小不可再被更改‘
对于数组求相应值由四种不同的方式:
　　正常的索引切片取值
　　行列分开的切片取值
　　布尔型(生成一个与原数组各元素一一对应的布尔值数组，原数组与该布尔值列表一一对应，值为True的放行~~~)