网站建设风景课程设计报告网店设计风格怎么写
首先，安装numpy在一个虚拟环境中：cmd打开终端
然后输入conda activate
再输入 conda activate "你的环境" 激活并进入虚拟环境，然后就可以在这里下第三方库了。
再输入 pip install numpy==1.26.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
下载numpy。
一.Numpy基础
- Python 的第三方扩展包,主要用来计算、处理一维或多维数组
- 底层主要用 C语言编写,因此它能够高速地执行数值计算
- 提供了多种数据结构,这些数据结构能够非常契合的应用在数组和矩阵的运算上
- 数组算术计算方面,提供了大量的数学函数
1.1 与列表的区别
1. NumPy 数组是同质数据类型（homogeneous），Python 列表是异质数据类型（heterogeneous），即列表中的元素可以是不同的类型。
2. 列表提供了基本的列表操作，如添加、删除、切片、排序等
3. NumPy 数组提供了丰富的数学函数和操作，如矩阵运算、线性代数、傅里叶变换等
二.ndarray对象
一个 n 维数组对象，是一个一系列相同类型元素组成的数组集合，每个元素都占有大小相同的内存。内存常用的布局方式有两种，即按行（C语言）或者按列（Fortran语言）。
2.1 ndarray对象创建
NumPy 的内置函数 `array()` 可以创建 ndarray 对象。
# 先导入numpy
import numpy# 用法
ndarray = numpy.array(object, dtype = None, copy = True, order = None,ndmin = 0)
print(type(ndarray))<class 'numpy.ndarray'>
| object | 表示一个数组序列 |
| dtype | 可选参数，通过它可以更改数组的数据类型 |
| copy | 可选参数，表示数组能否被复制，默认是 True |
| order | 以哪种内存布局创建数组，有 3 个可选值 分别是 C(行序列)/F(列序列)/A(默认) |
| ndmin | 用于指定数组的维度 |
- object
# 先导入numpy
import numpy# 创建两个数组
a = numpy.array((1, 2, 3))
b = numpy.array([1, 2, 3])
print(a)
print(b)[1 2 3]
[1 2 3]
可以看到数组与列表的差异还是明显的，其中元素以空格分割，而列表以逗号分割。且传进arrary函数的参数可以是任意可迭代对象。
- dtype
# 先导入numpy
import numpy# 其可改变存在数组中元素的数据类型
a = numpy.array((1, 2, 3),dtype=str)
print(a)['1' '2' '3']
- ndmin
# 先导入numpy
import numpy# 创建一个二维数组
a = numpy.array((1, 2, 3),ndmin=2)# 创建一个正常的二维数组
b = numpy.array(((4, 5, 6),(7,8,9)),ndmin=2)
print(a)# 换个行
print()print(b)[[1 2 3]]
[[4 5 6]
[7 8 9]]
尝试查看数组形状
# 先导入numpy
import numpyb = numpy.array(((4, 5, 6),(7,8,9)),ndmin=2)
print(b)# 来个换行
print()# 看看几行几列，返回一个元组，如果是一维的只有一个数，第二个是空的，俩用逗号隔开
print(b.shape)[[4 5 6]
[7 8 9]](2, 3)
2.2 zeros()
创建指定大小的数组，数组元素以 0 来填充。
numpy.zeros(shape, dtype = float, order = 'C')| shape | 数组形状 |
| dtype | 数据类型，可选 |
| order | 'C' 用于 C 的行数组，或者 'F' 用于 FORTRAN 的列数组 |
# 示例
import numpya = numpy.zeros((4,4))
print(a)[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
注意：这里的 '0.' 代表的是浮点数, '0.' 即 '0.0'
2.3 ones()
创建指定形状的数组，数组元素以 1 来填充,参数与zeros一致。
numpy.ones(shape, dtype = None, order = 'C')# 示例
import numpyx = numpy.ones((3,4))
print(x)[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
2.4 full()
full()用于创建一个填充指定值的数组。
numpy.full(shape, fill_value, dtype=None, order='C')| shape | 数组的形状（如 (2, 3) 表示 2 行 3 列的数组） |
| fill_value | 填充的值 |
| dtype | 数组的数据类型（如 `np.float32`） |
| order | 数组的内存布局（如 `'C'` 表示 C 风格，`'F'` 表示 Fortran 风格） |
# 示例
import numpya = numpy.full((3, 3), 7)print(a)[[7 7 7]
[7 7 7]
[7 7 7]]
可以看到这里传一个整数进去那数组内部默认就是整数了，而不是浮点数
2.5 arrange()
用于创建一个等差数列的数组。它类似于 Python 内置的 range() 函数，但返回的是一个 NumPy 数组。
numpy.arange(start, stop, step, dtype)| start | 起始值，默认为 0 |
| stop | 终止值（不包含） |
| step | 步长，默认为 1 |
| dtype | 返回 ndarray 的数据类型，如果没有提供， 则会使用输入数据的类型 |
# 示例
import numpya = numpy.arange(0,10,2)
print(a)[0 2 4 6 8]
2.6 linspace
在指定的数值区间内，返回均匀间隔的一维等差数组，默认均分 50 份。
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)| start | 起始值，默认为 0 |
| stop | 终止值（默认包含） |
| num | 表示数值区间内要生成多少个均匀的样本，默认值为 50 |
| endpoint | 默认为 True，表示数列包含 stop 终止值，反之不包含 |
| retstep | 表示是否返回步长。如果为 True，则返回一个包含数组和步长的元组；如果为 False，则只返回数组。默认为 False。 |
| dtype | 返回 ndarray 的数据类型，默认为 None，表示根据输入参数自动推断数据类型。 |
# 示例
import numpy a = numpy.linspace(1, 10, 19,retstep=True)
print(a)(array([ 1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. ,
6.5, 7. , 7.5, 8. , 8.5, 9. , 9.5, 10. ]), 0.5)
注意，如果要以0.5为步长的话，应该取(stop-start)的2倍再加1，直接用差值2倍会少取一个
容易出问题的地方如下图：
import numpy a = numpy.linspace(1, 10, 20,retstep=True)
print(a)(array([ 1. , 1.47368421, 1.94736842, 2.42105263, 2.89473684,
3.36842105, 3.84210526, 4.31578947, 4.78947368, 5.26315789,
5.73684211, 6.21052632, 6.68421053, 7.15789474, 7.63157895,
8.10526316, 8.57894737, 9.05263158, 9.52631579, 10. ]), 0.47368421052631576)
因此延伸出步长的计算：step = (stop - start) / (num - 1)
- 差了(stop - start)这么多数
- 分成(num - 1)份
三.numpy数据类型
- NumPy 提供了比 Python 更加丰富的数据类型
- NumPy 中每种数据类型都有一个唯一标识的字符码，int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
print(data.dtype) #输出：[('name', 'S10'), ('age', '<i4')]说明：
在编程中，字节序标记用于指定数据的字节顺序。常见的字节序标记包括：
< : 小端序，数据的最低有效字节存储在内存的最低地址，而最高有效字节存储在内存的最高地址。
> : 大端序，数据的最高有效字节存储在内存的最低地址，而最低有效字节存储在内存的最高地址。
四.简单数组属性
4.1 shape
通过赋值，可以用来调整数组形状
import numpya = numpy.array([1,2,3])
print(a.shape)# 换个行
print()# 更改维度
a.shape = (3,1)
print(a)(3,)
[[1]
[2]
[3]]
4.2 数组维度 ndmin
ndim 是 NumPy 数组的一个属性，用于返回数组的维度数（即数组的秩）。
import numpya = numpy.array([1, 2, 3])
print(a.ndim)1