Numpy详解-轴的概念

首先就是大肠包小肠，这就是轴的概念，除了这个还真的没有什么别的想法。

最近用numpy，越用这个东西越发现一些基础概念不明朗，这里简单的记录一下。

先生成一个三维的数组

打印出来的样子

从内最小的开始看起，分别是元素，2，3，4

以小[]来界定

也就是说，首先是一个特别大的整体，一个数组，接着是里面4个小数组，每一个小数组里面有3个小数组，小数组内的单元是一个数对来构成的。

其实这就是轴的概念，只是因为是扁平化的，不直观。

axis=2

axis =1

axis=0

按照顺序来填充

按照数组0轴来相加

就是加的这个位置的元素

[[0+ 6+12+18=36  1+ 7+13+19=40]
 [2+ 8+14+20=44  3+ 9+15+21=48]
 [4+10+16+22=52  5+11+17+23=56]]

再看一个

就是这样吧

[[ 0+ 1=1  2+ 3=5  4+ 5=9]
 [ 6+ 7=13 8+ 9=17 10+11=21]
 [12+13=25 14+15=29 16+17=33]
 [18+19=37 20+21=41 22+23=45]]

这个就没有什么好说的了吧

其中第一轴是最大的称为0号，

其次开始从左到右依次的放置

NumPy数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推。在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

NumPy的数组中比较重要ndarray对象属性有：

1.ndarray.ndim：数组的维数（即数组轴的个数），等于秩。最常见的为二维数组（矩阵）。

2.ndarray.shape：数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中，表示数组的“行数”和“列数”。ndarray.shape返回一个元组，这个元组的长度就是维度的数目，即ndim属性。

3.ndarray.size：数组元素的总个数，等于shape属性中元组元素的乘积。

4.ndarray.dtype：表示数组中元素类型的对象，可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。

5.ndarray.itemsize：数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits，每个字节长度为8，所以64/8，占用8个字节），又如，一个元素类型为complex32的数组item属性为4（32/8）。

6.ndarray.data：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

其实进一步的，是阐述了一种方向的问题：在二维数组中axis=0是按列的，axis=1意味着按行。

这个图太漂亮了

事实上，到这里的时候还是没有说明白主要的轴到底是怎么出来的，那继续。

轴是行列的方向

如果是多维的数组，那axis=0就是向下的轴，axis=1是往右延的轴。

这些东西影响着你未来作用到上面的函数，该算哪些东西。而且进行计算的时候是会进行折叠，就是从这些指定的位置采用运算规律。

就是这样的，加到一起，2就变成了1

axis=0的拼接方式

axis=1，横向拼接

结论：将NumPy轴视为我们可以执行操作的方向。

接下来再补充一些，别的理解，尽量我们一篇文章解决这个问题。

这个也是

这个图是让我喜欢的不行，它清楚的展示了这个数组轴的包含关系

数组之间的算数关系

运算紧凑，使用了非动态的特性

使用Python的列表语法可以轻松的创建一个数组，要确保元素都一致

由于数组的原因，没有了动态添加元素的特性，所以只能提前的把位置留好。

再有了变量的情况先，可以使用like函数生成一个相似的数组

提供了完整的生成函数

可以使用单调序列初始化数组

arange对浮点不太友好

随机数组也可以生成，这个太常见了

生成完成了，下一个阶段就是取数了;

就像这样，通过索引来切割

布尔和掩码真的是太好用了！！！！

还有专有的函数，大规模的进行取数操作

向量化操作无疑是最引人注目的东西

浮点也OJBK

常见函数不在话下，矢量化的意义在于可以同时操作海量数据，具有天然的并行化。

这是内积和叉积

三角函数不能少

四舍五入的操作也有

关于统计的功能也有

矩阵的初始化，注意参数的位置，先行，后列

随机矩阵也是经常要用的

索引语法要好好的看，注意是从0开始，记得+1

上面放过这个图，但是为了完整性，这里再放一次

@计算矩阵的乘积

广播机制，这个怎么说呢。就是运算我们一般是规模相同的进行计算，不相同的时候需要变的相同。其实就是一套规则。

先简单点，规模一样

这个就不一样了

这就是广播，先是维数的调整，两个维数一致，接着调整内部的参数

你看这个，9x9与后面这样的东西运算，不就是要使用广播吗？

转置

数组重构

互相之间的转换图，这个要记住

拼接操作，我也写过

也是拼接

拆分

tile复杂黏贴，repeat是分页打印

这个是可以删除对应的行列，这不就是白给

插入操作

边界添加常数，就好像镶边一样

下面的内容有趣:

创建这样的东西，C和Python的做法是这样的

matlab这样做，相对于先生成两个行向量，接着开始广播，运算

这个地方是numpy的做法，效率更高。上面是生成网格的算法

numpy的排序算法有点问题，这里就不讨论了，因为我也没有搞明白

返回索引，其实就是坐标，有时位置是很重要的

all和any就是有没有的问题

三维的接下来会说

至于形状怎么样，会看你的约定。

接下来再加点东西，也不知道有没有人能看到这里。

上面频繁的说了拼接的事情，这里带你看看有什么参数

这个图没什么用，我就是觉得好看