企业官网建设流程全解析

NumPy属性

1. 
   

2. arr=np.array([[1,2,3] ,[4,5,6]]) print("ndim: ",arr.ndim) # 2 二维数组 print("shape: ",arr.shape) #（2,3） 二行3列 print("size: ",arr.size) # 6, 一共六个元素 print("dtype: ",arr.dtype) # int 64 print("itemsize: ",arr.itemsize) # 8 , 每个int 64占8个字节

3. # 生成0 - 14 的数字，重塑为 3 行5 列的二维数组 a=np.arange(15).reshape(3,5) print("数组的维度：",a.shape) # (3, 5) print("数组轴的个数：",a.ndim) # 2 print("数组元素类型: ",a.dtype) # int64 print("数组中每个元素的字节大小：",a.itemsize) # 8 print("数组元素的总个数：",a.size) # 15 print("类型查询：",type(a)) # <class 'numpy.ndarray'> print(a)

   
   1）a.shape：返回元组(3,5)，代表数组3 行 5 列；元组长度就是维度数
   2）a.ndim：轴 / 维度数量，这里是2，二维数组
   3）a.dtype：数组内元素的数据类型，默认int64（64 位整数）
   4）a.itemsize：单个元素占用内存字节数，int64占 8 字节
   5）a.size：数组全部元素总数3*5=15
6）np.arange(15)：生成 [0,1,2,3,...,14]
7）.reshape(3,5)：把一维数组，重新调整形状为 3 行 5 列，
   元素总数必须匹配（3*5=15）

创建ndarray

1. ndarray 是 NumPy 的多维数组对象，特点：
   1）下标从 0 开始
   2）数组内所有元素必须是同一种数据类型
   3）运算速度快、占用内存少，支持矢量运算与广播机制

---

array ()

1. np.array() 是最基础的创建数组的方法，接收列表 / 元组等序列，生成 ndarray

2. import numpy as np a=np.array([2,3,4]) print("数组a元素：",a) print("数组a类型：",a.dtype) b=np.array([1.2,3.2,4.5]) print("数组b元素：",b) print("数组b类型：",b.dtype)

   
   数组a里面都是整数，自动识别为int64（整型）
   数组b里面都是小数，自动识别为float64（浮点型）
   

3. 补充
   列表同时包含整数 + 浮点数，会自动全部转为浮点数：

   c=np.array([1,2.5,3]) print(c.dtype) # float64

---

np.zeros () /np.ones () /np.empty ()

1. 知识点
   

2. shape 参数：
   1）(3,4) → 二维数组：3 行 4 列
   2）(2,3,4) → 三维数组：2 块，每块 3 行 4 列

3. # zero 创建3行4列 全0二维数组 zeros1=np.zeros((3,4)) print(zeros1) # ones 创建2块 每块3行4列的三维全1数组 ones1=np.ones((2,3,4)) print(ones1) # empty 创建2行3列数组，值为内存残留随机数 empty1=np.empty((2,3)) print(empty1)

---

np.arange ()

1. np.arange() 和 Python 内置range()很像，生成一维 ndarray 数组
   区别：python range只能整数；np.arange支持小数步长

2. 语法：

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

   1）start：起始值（包含），默认 0
   2）stop：终止值（不包含）
   3）step：步长，默认 1
   4）dtype：指定数组元素类型

3. np_arange=np.arange(10,20,5,dtype=int) print("arange创建np_arange: ",np_arange) print("arange创建np_arange的元素类型：",np_arange.dtype) print("arange创建np_arange的类型: ",type(np_arange))

   
   核心记住：start 取，stop 不取
   10 取 10
   10+5 取 15
   15+5 不取 20

---

np.matrix ()

1. matrix（简称mat）是ndarray的子类，只能创建二维矩阵，不能生成一维、三维

2. 特点：矩阵相乘用*直接运算（和普通 ndarray 不一样）
3. 不推荐优先用 matrix，日常开发更推荐直接用 ndarray 数组
4. matrix和 asmatrix
   1）返回的对象类型完全一样，都是 matrix（二维矩阵，ndarray 子类）
   2）唯一差别：是否复制内存
a）np.matrix()：
默认 copy=True →
新建一份独立数据副本，修改新矩阵不会影响原来数组
b）np.asmatrix()：
等价 matrix(data, copy=False) →
尽量不复制，共用同一块内存，修改它会影响原始数组
5. 三种写法

   import numpy as np # 写法1：字符形式，空格分隔同行元素，分号 ; 换行 x1=np.matrix("1 2;3 4") print(x1) # 写法2： 字符串，逗号分隔同行元素，分号 ; 换行 x2=np.matrix("1,2;3,4") print(x2) # 写法3 传入二维列表生成矩阵 x3=np.matrix([[1,2,3,4],[5,6,7,8]]) print(x3)

---

创建随机数矩阵

1. 三个函数对比
   

2. 小知识点：
   1）返回值都是numpy.ndarray（numpy 数组 / 矩阵）
   2）randint 是左闭右开：randint(-1,5) 能取到 -1，取不到 5，最大整数是 4
   3）uniform 均匀分布，区间内每个数出现概率相等

3. # 1. np.random.rand(行数，列数）: 生成【0.0,1.0) 之间的随机浮点数 # arr=np.random.rand(3,4) # print(arr) # print(type(arr))

4. # 2. np.random.randint(low,high,size = (行，列)) 生成 [low,high) 的随机整数 arr=np.random.randint(-1,5,size=(3,4)) print(arr) print(type(arr))

5. # 3. np.random.uniform(low,high,size=(行, 列) 生成 [low, high)的均匀分布随机浮点数 arr=np.random.uniform(-1,5,size=(3,4)) print(arr) print(type(arr))

---

ndarray 数据类型

1. dtype 参数：创建数组的时候，直接指定数组元素的数据类型，
   格式：类型名+位数， 例如 float64、int32

2. astype() 方法：对已经存在的数组，生成一个新数组，转换数据类型
   （原数组不会改变）

3. # 初始化3行4列数组，数据类型为float64 zeros_float_arr=np.zeros((3,4),dtype=np.float64) print(zeros_float_arr) print(zeros_float_arr.dtype)

4. 转换数据类型

   # astype转换数据类型，将自己 已有的数据类型转换为int32 zeros_float_arr=np.zeros((3,4),dtype=np.float64) zeros_int_arr=zeros_float_arr.astype(np.int32) print(zeros_int_arr) print(zeros_int_arr.dtype)

5. 补充
   1）np.float64：双精度浮点数，占 8 字节；np.int32：32 位整型，占 4 字节
   2）astype不会修改原数组，是返回新数组，必须用变量接收返回值
6.