1、安装NumPy库：
pip install numpy #在Anaconda中，已经安装了
2、数组属性：
ndim 数组的维数
shape 数组的形状
size 数组元素的总个数
dtype 数组中元素的数据类型
itemsize 数组中每个元素的字节数
3、创建数组：array([列表])或者array((元组))
也可以指定数据类型：array([列表]/(元组), dtype=数据类型) 数据类型下面将讲到
3.1、多维数组：
array([[…这里一开始有多少个“["，第一个[划分第一个维度的不同元素
#二维数组及其切片
[[12, 13, 14, 15], #c[1]
[16, 17, 18, 19],
[20, 21, 22, 23]]])
3.2、数据类型：
数组中数据类型必须一样
int8、uint8、int16、uint16、int32、uint32、int64、uint64
float16、 float32、 float64、 float128
complex64、complex128、complex256
bool、object、string_、unicode_
3.3、创建特殊的数组：
np.arange(起始数字=0,结束数字,步长=1,dtype) 数字序列数组，前闭后开不包括结束数字
np.ones(shape, dtype) 全1数组,dtype可省
np.zeros(shape, dtype) 全0数组
np.eye(shape, dtype) 单位矩阵
np.linspace(start,stop,num=50,dtype) 等差数列，（始值，末值，元素个数，类型），注意包括末值
np.logspace(start,stop,num=50,base=1,dtype) 等比数列
例如：
3.4、asarray()：将列表或元组转化为数组对象
对比array与asrray：当数据原来就是ndarray对象（n维数组）时，array()会复制新副本（占内存），而asarray()则不复制副本，而是直接引用原数组（共享内存）
arraylist1=[1,1]
arr1=np.array(list1)
arr2=np.asarray(list1)
list1[0]=2 #则输出arr1和arr2时，均为[1,1]
#对比：
arr3=np.ones((1,2))
arr4=np.array(arr3)
arr5=np.asarray(arr3)
arr3[0]=2 #则输出arr4为[1,1]，输出arr5为[2,1],arr5跟着arr3变化
3.5改变数组形状：reshape(shape)、resize(shape)
创建新数组reshape(shape)、改变原数组resize(shape)
4、加、减、乘、除
以加法为例：（乘法也是对应位相乘，不是矩阵乘法）
5、数组元素间的运算：
np.sum() #计算所有元素的和 np.sum(B)，返回值9，还可实现按行列求和
np.prod() #计算所有元素的乘积
np.diff() #计算数组的相邻元素之间的差
np.sqrt() #计算各元素的平方根 np.sqrt(A**)
np.exp() #计算各元素的指数值
np.abs() #取各元素的绝对值
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
6、数组合并：
6.1、堆叠运算：np.stack((数组1,数组2,…),axis)
#一维数组堆叠
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]]])
np.stack((m,n),axis=1) #shape:(3,2,3)
Out[72]:
array([[[ 0, 1, 2],
[ 9, 10, 11]],
[[ 3, 4, 5],
[12, 13, 14]],
[[ 6, 7, 8],
[15, 16, 17]]])
[[ 3, 12],
[ 4, 13],
[ 5, 14]],
[[ 6, 15],
[ 7, 16],
[ 8, 17]]])
6.2、np.concatenate(数组，axis=0）
a=np.array([[1,2],[3,4]])
b=np.array([[5,6]]) #注意a、b维度相同
np.concatenate((a,b),axis=0)
Out[42]:
array([[1, 2],
[3, 4],
[5, 6]])
np.concatenate((a,b.T),axis=1)
Out[43]:
array([[1, 2, 5],
[3, 4, 6]])
6.3增加一个维度：np.expand_dims(数组,axis=0)
见tf.expand_dims()
7、获取numpy array 数组中指定元素的索引位置
a = np.array([1,2,3,4,5,6,6,7,6])
a==6
b = np.where(a == 6)
print(‘b={} shape(b)={}’ .format(b,np.shape(b)))
b=(array([5, 6, 8], dtype=int64),) shape(b)=(1, 3)
b[0][2]
Out[92]: 8
7、矩阵与矩阵运算 矩阵：matrix(字符串/列表/元组/数组)，其中，matrix可以简写为mat
8、矩阵属性：
.ndim 矩阵的维数
.shape 矩阵的形状
.size 矩阵的元素个数
.dtype 元素的数据类型
9、数组实现矩阵运算，
返回的是数组类型：
10、matrix矩阵运算：
矩阵运算比较：用矩阵运算运算符号简单，二维数组能表示高维数组、灵活、速度快
11、随机数模块：numpy.random
np.random.rand(d0,d1,…,dn) 元素在［0，1)区间均匀分布的数组 浮点数（返回值，下同）其中d0 d1…是维度数
np.random.uniform(low,high,size) 元素在［low，high）区间均匀分布的数组 浮点数
numpy.random.randint(low,high,size) 元素在［low，high）区间均匀分布的数组 整数
np.random.randn(d0,d1,…,dn) 产生标准正态分布的数组 浮点数 其中d0 d1…是维度数
np.random.normal(low,scale,size) 产生正态分布的数组 浮点数
例如：
#创建2*3的随机数组，[0,1]内均匀分布
12、随机种子：用seed()设置
（仅设置一次有效），一般默认是根据系统时间生成，随机种子一样则随机数一样。不同系统随机数生成算法不一样
13、打乱顺序函数：shuffle(序列) 、get_state、set_state
可Python的列表和NumPy数组等等
get_state()：记录下数组被打乱的操作，
set_state()：接收get_state()返回的值，并进行同样的操作
import numpy as np
a = np.arange(0,10,1)
b = np.arange(10,20,1)
print(a,b)
#result:[0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]
state = np.random.get_state()
np.random.shuffle(a)
print(a)
#result:[6 4 5 3 7 2 0 1 8 9]
np.random.set_state(state)
np.random.shuffle(b)
print(b)
#result:[16 14 15 13 17 12 10 11 18 19]
14、max(axis)
In [9]: arr1 = np.array([[1, 5, 3], [4, 2, 6]])
In [10]: arr1.max(axis=0)
Out[10]: array([4, 5, 6])
In [11]: arr1.max(axis=1)
Out[11]: array([5, 6])
In [12]: arr1.max()
Out[12]: 6
15、导入txt等的文件：
np.getfromtext(文件名,delimiter=‘分割字符’) 返回值是一个numpy数组，将文件读取出来，以分割字符划分数组的元素
16、交换维度：swapaxes
numpy.swapaxes(a,axis1,axis2)
In [115]: x=np.array([[1,2,3]])
In [116]: np.swapaxes(x,0,1)
Out[116]:
array([[1],
[2],
[3]])