Numpy 数组及其索引
先导入numpy：
from numpy import *产生数组
从列表产生数组：
lst = [0, 1, 2, 3]
a = array(lst)
aarray([0, 1, 2, 3])或者直接将列表传入：
a = array([1, 2, 3, 4])
aarray([1, 2, 3, 4])数组属性
查看类型：
type(a)numpy.ndarray查看数组中的数据类型：
# 32比特的整数
a.dtypedtype('int32')查看每个元素所占的字节：
a.itemsize4查看形状，会返回一个元组，每个元素代表这一维的元素数目：
# 1维数组，返回一个元组
a.shape(4L,)或者使用：
shape(a)(4L,)shape 的使用历史要比 a.shape 久，而且还可以作用于别的类型：
lst = [1,2,3,4]
shape(lst)(4L,)查看元素数目：
a.size4size(a)4查看所有元素所占的空间：
a.nbytes16但事实上，数组所占的存储空间要比这个数字大，因为要用一个header来保存shape，dtype这样的信息。
查看数组维数：
a.ndim1使用fill方法设定初始值
可以使用 fill 方法将数组设为指定值：
a.fill(-4.8)
aarray([-4, -4, -4, -4])但是与列表不同，数组中要求所有元素的 dtype 是一样的，如果传入参数的类型与数组类型不一样，需要按照已有的类型进行转换。
索引与切片
和列表相似，数组也支持索引和切片操作。
索引第一个元素：
a = array([0, 1, 2, 3])
a[0]0修改第一个元素的值：
a[0] = 10
aarray([10, 1, 2, 3])切片，支持负索引：
a = array([11,12,13,14,15])
a[1:3]array([12, 13])a[1:-2]array([12, 13])a[-4:3]array([12, 13])省略参数：
a[::2]array([11, 13, 15])a[-2:]array([14, 15])假设我们记录一辆汽车表盘上每天显示的里程数：
od = array([21000, 21180, 21240, 22100, 22400])可以这样计算每天的旅程：
dist = od[1:] - od[:-1]
distarray([180, 60, 860, 300])在本质上，Python会将array的各种计算转换为类似这样的C代码：
int compute_sum(int *arr, int N) {
int sum = 0;
int i;
for (i = 0; i < N; i++) {
sum += arr[i];
}
return sum;
}多维数组及其属性
array 还可以用来生成多维数组：
a = array([[ 0, 1, 2, 3],
[10,11,12,13]])
aarray([[ 0, 1, 2, 3],
[10, 11, 12, 13]])事实上我们传入的是一个以列表为元素的列表，最终得到一个二维数组。
甚至可以扩展到3D或者4D的情景。
查看形状：
a.shape(2L, 4L)这里2代表行数，4代表列数。
查看总的元素个数：
# 2 * 4 = 8
a.size8查看维数：
a.ndim2多维数组索引
对于二维数组，可以传入两个数字来索引：
a[1, 3]13其中，1是行索引，3是列索引，中间用逗号隔开，事实上，Python会将它们看成一个元组(1,3)，然后按照顺序进行对应。
可以利用索引给它赋值：
a[1, 3] = -1
aarray([[ 0, 1, 2, 3],
[10, 11, 12, -1]])事实上，我们还可以使用单个索引来索引一整行内容：
# 返回第二行元组组成的array
a[1]array([10, 11, 12, -1])Python会将这单个元组当成对第一维的索引，然后返回对应的内容。
多维数组切片
多维数组，也支持切片操作：
a = array([[ 0, 1, 2, 3, 4, 5],
[10,11,12,13,14,15],
[20,21,22,23,24,25],
[30,31,32,33,34,35],
[40,41,42,43,44,45],
[50,51,52,53,54,55]])
aarray([[ 0, 1, 2, 3, 4, 5],
[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25],
[30, 31, 32, 33, 34, 35],
[40, 41, 42, 43, 44, 45],
[50, 51, 52, 53, 54, 55]])想得到第一行的第 4 和第 5 两个元素：
a[0, 3:5]array([3, 4])得到最后两行的最后两列：
a[4:, 4:]array([[44, 45],
[54, 55]])得到第三列：
a[:, 2]array([ 2, 12, 22, 32, 42, 52])每一维都支持切片的规则，包括负索引，省略：
[lower:upper:step]例如，取出3，5行的奇数列：
a[2::2, ::2]array([[20, 22, 24],
[40, 42, 44]])切片是引用
切片在内存中使用的是引用机制。
a = array([0,1,2,3,4])
b = a[2:4]
print b[2 3]引用机制意味着，Python并没有为 b 分配新的空间来存储它的值，而是让 b 指向了 a 所分配的内存空间，因此，改变 b 会改变 a 的值：
b[0] = 10
aarray([ 0, 1, 10, 3, 4])而这种现象在列表中并不会出现：
a = [1,2,3,4,5]
b = a[2:3]
b[0] = 13234
print a[1, 2, 3, 4, 5]这样做的好处在于，对于很大的数组，不用大量复制多余的值，节约了空间。
缺点在于，可能出现改变一个值改变另一个值的情况。
一个解决方法是使用copy()方法产生一个复制，这个复制会申请新的内存：
a = array([0,1,2,3,4])
b = a[2:4].copy()
b[0] = 10
aarray([0, 1, 2, 3, 4])花式索引
切片只能支持连续或者等间隔的切片操作，要想实现任意位置的操作，需要使用花式索引 fancy slicing 。
一维花式索引
与 range 函数类似，我们可以使用 arange 函数来产生等差数组。
a = arange(0, 80, 10)
aarray([ 0, 10, 20, 30, 40, 50, 60, 70])花式索引需要指定索引位置：
indices = [1, 2, -3]
y = a[indices]
print y[10 20 50]还可以使用布尔数组来花式索引：
mask = array([0,1,1,0,0,1,0,0],
dtype=bool)a[mask]array([10, 20, 50])或者用布尔表达式生成 mask，选出了所有大于0.5的值：
from numpy.random import rand
a = rand(10)
aarray([ 0.37214708, 0.48594733, 0.73365131, 0.15769295, 0.30786017,
0.62068734, 0.36940654, 0.09424167, 0.53085308, 0.12248951])mask = a > 0.5
a[mask]array([ 0.73365131, 0.62068734, 0.53085308])mask 必须是布尔数组。
二维花式索引
a = array([[ 0, 1, 2, 3, 4, 5],
[10,11,12,13,14,15],
[20,21,22,23,24,25],
[30,31,32,33,34,35],
[40,41,42,43,44,45],
[50,51,52,53,54,55]])
aarray([[ 0, 1, 2, 3, 4, 5],
[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25],
[30, 31, 32, 33, 34, 35],
[40, 41, 42, 43, 44, 45],
[50, 51, 52, 53, 54, 55]])对于二维花式索引，我们需要给定 row 和 col 的值：
a[(0,1,2,3,4), (1,2,3,4,5)]array([ 1, 12, 23, 34, 45])返回的是一条次对角线上的5个值。
a[3:, [0,2,5]]array([[30, 32, 35],
[40, 42, 45],
[50, 52, 55]])返回的是最后三行的第1，3，5列。
也可以使用mask进行索引：
mask = array([1,0,1,0,0,1],
dtype=bool)
a[mask, 2]array([ 2, 22, 52])与切片不同，花式索引返回的是原对象的一个复制而不是引用。
“不完全”索引
只给定行索引的时候，返回整行：
y = a[:3]
yarray([[ 0, 1, 2, 3, 4, 5],
[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25]])这时候也可以使用花式索引取出第2，3，5行：
condition = array([0,1,1,0,1],
dtype=bool)
a[condition]array([[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25],
[40, 41, 42, 43, 44, 45]])三维花式索引
a = arange(64)
a.shape = 4,4,4
aarray([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]],
[[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27],
[28, 29, 30, 31]],
[[32, 33, 34, 35],
[36, 37, 38, 39],
[40, 41, 42, 43],
[44, 45, 46, 47]],
[[48, 49, 50, 51],
[52, 53, 54, 55],
[56, 57, 58, 59],
[60, 61, 62, 63]]])y = a[:,:,[2, -1]]
yarray([[[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]],
[[18, 19],
[22, 23],
[26, 27],
[30, 31]],
[[34, 35],
[38, 39],
[42, 43],
[46, 47]],
[[50, 51],
[54, 55],
[58, 59],
[62, 63]]])where语句
where(array)where 函数会返回所有非零元素的索引。
一维数组
先看一维的例子：
a = array([0, 12, 5, 20])判断数组中的元素是不是大于10：
a > 10array([False, True, False, True], dtype=bool)数组中所有大于10的元素的索引位置：
where(a > 10)(array([1, 3], dtype=int64),)注意到 where 的返回值是一个元组。
使用元组是由于 where 可以对多维数组使用，此时返回值就是多维的。
在使用的时候，我们可以这样：
indices = where(a > 10)
indices = indices[0]
indicesarray([1, 3], dtype=int64)或者：
indices = where(a>10)[0]
indicesarray([1, 3], dtype=int64)可以直接用 where 的返回值进行索引：
loc = where(a > 10)
a[loc]array([12, 20])多维数组
考虑二维数组：
a = array([[0, 12, 5, 20],
[1, 2, 11, 15]])
loc = where(a > 10)返回结果是一个二维的元组，每一维代表这一维的索引值：
loc(array([0, 0, 1, 1], dtype=int64), array([1, 3, 2, 3], dtype=int64))也可以直接用来索引a：
a[loc]array([12, 20, 11, 15])或者可以这样：
rows, cols = where(a>10)rowsarray([0, 0, 1, 1], dtype=int64)colsarray([1, 3, 2, 3], dtype=int64)a[rows, cols]array([12, 20, 11, 15])再看另一个例子：
a = arange(25)
a.shape = 5,5
aarray([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[20, 21, 22, 23, 24]])a > 12array([[False, False, False, False, False],
[False, False, False, False, False],
[False, False, False, True, True],
[ True, True, True, True, True],
[ True, True, True, True, True]], dtype=bool)where(a > 12)(array([2, 2, 3, 3, 3, 3, 3, 4, 4, 4, 4, 4], dtype=int64),
array([3, 4, 0, 1, 2, 3, 4, 0, 1, 2, 3, 4], dtype=int64))