# numpy为我们提供了一个特殊的数组对象，我们可以用numpy表示普通的一维数组，二位矩阵，甚至任意维度的数据，并对数组中的数据作高效的运算
# 一般使用numpy处理数据需要将要出库的数据向量化，并行化通常使用二维数组处理表格，矩阵 使用高维数组处理复杂的数据
# 常用作数据统计，线性代数，图像处理，傅里叶变换等
# numpy底层由c语言构成，具有很高的运行速度
# 导入numpy库并起别名np
import numpy as np
# 创建一个简单的一维数组,并打印
a = np.array([1, 2, 3, 4, 5])
print(a)
# 创建一个全为0的数组
b = np.zeros((3, 2))
print(b)
b1 = np.zeros((3, 3, 3))
print(b1)
b2 = np.zeros((1, 5))
print(b2)
# 类似的我们还可以创建全为1的数组
b3 = np.ones((2, 2))
print(b3)
# 查询数组的尺寸
print(b.shape)
# 创建递增或递减的数组
c1 = np.arange(5, 11)
# 左闭右开
c2 = np.arange(10)
c3 = np.arange(2, 12, 2)
c4 = np.arange(12, 2, -2)
c5 = np.arange(12, 2)
# 默认步长为1,不指定步长的情况下只能实现步长为1的递增数组
print(c1)
print(c2)
print(c3)
print(c4)
print(c5)
# 求某个区间中等间隔分布的数据
d1 = np.linspace(0, 5, 10)
# 前两个参数表示要取的范围，第三个参数表示要的数据量
print(d1)
# 生成指定范围内随机值的数组
e1 = np.random.rand(2)
# 生成一个有两个元素的一维数组
e2 = np.random.rand(2, 3)
# 生成一个二维数组，该二维数组包含两个一维数组，每个一维数组包含三个元素
e3 = np.random.rand(2, 3, 4)
# 生成一个三维数组，该三维数组包含两个二维数组，每个二维数组包含三个一维数组，每个一维数组包含四个元素
print(e1)
print(e2)
print(e3)
# 在numpy中数组默认的数据类型是64位的浮点数，下面是获取相应数组的数据类型
print(e1.dtype)
# 输出结果如下：float64
# 在数组创建时，我们可以改变数组的数据类型
f1 = np.zeros((3, 2), dtype=np.int32)
print(f1)
# 以上数组被转换为32位的整型数据
# 常见的可以转化的数据类型有：
# np.int8/16/32/64 整型
# np.uint8/16/32/64 无符号整型
# np.float32/64 浮点型
# bool 布尔型
# str 字符串类型
# 对于现有数组进行数据类型的转换
g1 = np.array([1.1, 1.5, 2.3, 5.6])
print(g1)
g2 = g1.astype(int)
print(g2)
# numpy中数组在满足相同尺寸的前提下，可以直接进行四则运算
h1 = np.array([1, 2, 3])
h2 = np.array([4, 5, 6])
h3 = h1 - h2
h4 = h1 * h2
h5 = h4 / h1
print(h3)
print(h4)
print(h5)
# 在numpy中进行向量的点乘和矩阵乘法
i1 = np.array([1, 2, 3])
i2 = np.array([4, 5, 6])
i3 = np.array([[1, 2, 3], [4, 5, 6]])
i4 = np.array([[4, 5, 6], [7, 8, 9]])
# 向量乘法
i5 = np.dot(i1, i2)
print(i5)
# 矩阵乘法
# i6 = np.matmul(i4,i3)
# print(i3 @ i4)
# 对数组中的所有数字依次求平方根
j1 = np.array([[1, 2], [3, 4]])
print(np.sqrt(j1))
# 计算三角函数
k1 = np.array([[1, 2], [3, 4]])
print(np.sin(k1))
print(np.sin(k1))
# 进行对数和指数的运算
l1 = np.array([[1, 2], [3, 4]])
print(np.log(l1))
print(np.power(l1, 2))
# 数组与单个数字作运算时，会将数组中每个元素与该数字进行运算，产生一个新的数组-----这个操作在numpy中被称为广播
m1 = np.array([[1, 2], [3, 4]])
print(6 * m1)
# 前面提到两个相同尺寸的数组可以进行运算，但当你输入不同尺寸的数组时进行运算时numpy并不会报错，它们之间也可以进行运算
# 不同尺寸数组进行运算时，系统会以其为模版，将参与运算的数组补乘相同尺寸的数组再进行运算
n1 = np.array([1, 2, 3])
n2 = np.array([[4], [5], [6]])
print(n1 * n2)
# 求数组中最小值和最大值及其所在位置的索引
o1 = np.array([[1, 2], [3, 4]])
print(np.max(o1))
print(np.min(o1))
p1 = np.array([[1, 2], [3, 4]])
print(np.argmax(p1))
# 3
print(np.argmin(p1))
# 0
# 求数组中所有元素的总和
print(np.sum(p1))
# 求数组中的平均值
print(np.mean(p1))
# 求数组的中位数
print(np.median(p1))
# 求数组的方差
print(p1.var())
# 求数组的标准差
print(p1.std())
# 如果你的数组是多行数组，你可以额外定义一个变量，通过对行和列进行求和的到一个新的数组
q1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(q1.sum(axis=0))
# 当变量为0时是对多行数组同一行的相同位置的元素进行累加，最终得到新的一行作为一个新数组
print(q1.sum(axis=1))
# 当变量为1时是对多行数组同一列的相同位置的元素进行累加，最终得到新的一列作为一个新数组
# 获取数组中的元素---索引
print(q1[0, 0])
print(q1[0, 1])
print(q1[0, 2])
print(q1[1, 3])
# 通过条件语句或者逻辑运算符对数组进行筛选
r1 = np.arange(10)
print(r1[r1 > 5])
print(r1[(r1 < 6) & (r1 > 2)])
# 该部分使用与运算'&',或运算'|'
# 截取数组的某一段构成一个新的数组
s1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(s1[0, 0:2])
# [1,2]
# 当我们需要从数组中取出一个一维数组,有以下两个方式
print(s1[0, :])
print(s1[0])
# 再从数组中取出一个一维数组时我们还可以引入跨度
print(r1[1:9:2])
# [1 3 5 7]
# 这行代码的意思是在r1数组数组中以跨度为2，索引1到9的位置取出一个新数组
# 跨度也可以为负数，即为逆序取数组，开闭关系也会发生变化
print(r1[9:1:-3])
# [9 6 3]
# 对数组进行逆序处理
print(r1[::-1])
# [9 8 7 6 5 4 3 2 1 0]
