lst = [[1.0, -2], [-3, 4]]
x = np.array(lst, dtype=float)
# dtype=float, int, np.complex128

np.array(lst, ndmin=3)  # shape = (1, 2, 2)
y = array(lst, ndmin=4)  # shape = (1, 1, 2, 2)

np.zeros(shape=(5, 2), dtype=int)

# 含头不含尾:
np.arange(start=0, stop=11, step=1)
# 含头含尾:
np.linspace(start=0, stop=5, num=9)

np.eye # 对角矩阵

np.random.rand(2, 2, 2) # 2x2x2 的随机矩阵

# 对 ndarray 的操作
arr1 = np.random.rand(5, 3)
np.mean(arr1)
np.mean(arr1, axis=1, keepdims=True)  
# 1. 对第axis维度求平均
# 2. keepdims 默认为 False，表示把结果变成一维的

# 加nan表示跳过nan
np.nanmean(arr1)

# 协方差矩阵
np.corrcoef(arr1)

np.ceil
np.floor
np.rint
np.isnan



np.unique # 去重并排序


np.unique(
    arr
    , return_index=True  # 额外返回一个array，记录去重后的元素来自 arr 的哪个位置
    , return_inverse=True  # 额外返回一个array，用它+返回值可以重新构建 arr
    , return_counts=True  # 额外返回一个array，记录元素个数
    , axis=0  # 按照axis去重；如果没有，去重粒度是元素，
)

np.intersect1d([1, 2, 3], [4, 3, 5])  # 交集
np.union1d([1, 5, 4], [5, 3, 1])  # 并集

np.in1d(ar1=[1, 4, 4, 1, 2], ar2=[1, 2])  # ar1 中每个元素，是否是 ar2 中的元素。返回一个 np.array<bool> ，大小与 ar1 一致

np.logical_not([True, True, False])  # 求否
np.logical_or(arr1, arr2)
np.logical_and(arr1, arr2)

# 更好记：
arr1 & arr2
arr1 | arr2
~arr1

np.all
np.any


np.isnan(np.array([1, np.nan]))

import numpy as np
a=np.random.randn(10,3)
a.sort(axis=1) # 直接改变a
np.sort(a) # 不改变a，而是返回一个排序完毕的ndarray

a=np.random.rand(3,4)
np.fliplr(a) # 左右翻转
np.flipud(a) # 上下翻转
np.rot90(a,k=3) # 逆时针转动k次

np.eye(N=4,M=3,k=2) # 生成一个对角阵，N*M大小，k是向右上角偏置量
np.diag(a,k=1) # 取出对角元素,放到一维数组中，返回一个 1darray
np.diag([1,2,3],k=2) # 生成对角矩阵（一维数组转二维数组）
# np.diag 没有 keepdim 这类入参，可以用 np.diag(np.diag(a)) 来提取对角矩阵

np.triu(m=a,1) # 矩阵的上三角部分
np.tril(m=a,1) # 矩阵的下三角部分
np.tri(N=3,M=4,k=1) # 生成一个下三角矩阵，元素是0和1

np.vander(x=[1,2,3],N=5) # 生成一个 Vandermonde matrix，每一行是x中的元素，N列

(a>0.5).any(axis=0) # 每列是否有True
(a>0.5).any(axis=1) # 每行是否有True


np.tile(np.array([[1, 2], [3, 4]]), (3, 2))
# 把一个矩阵复制 3*2 次，也就是行变成 3 倍，列变成 2 倍

import numpy as np
a=np.random.rand(3,3)
b=np.random.rand(3,3)
np.concatenate([a,b],axis=0) # axis=0是竖着拼起来，axis=1是横着拼起来

# 以下两个方法可以读 csv/txt 等格式
arr1 = np.genfromtxt('file1.csv', delimiter=',')
# 如果某个数据是字符串，相应位置会读取为nan
arr2 = np.loadtxt('file1.csv', delimiter=',', skiprows=1)
# 多了一个 skiprows 方法，一般用来跳过第一行（字段名）
# 如果某个数据是字符串，会报错

# 存
np.save('file4.npy', arr1)

# 读
np.load('file4.npy')

# 存
# 区别是：是否压缩
np.savez('file2.npz', arr1=arr1, arr2=arr2)
np.savez_compressed('file2_compressed', arr1=arr1, arr2=arr2)
# 如果不指定变量名，变量值默认为 arr_1, arr_2 等




# 读
npzfile = np.load('file2.npz')

npzfile.files  # 一个列表，都有哪些变量名
npzfile['arr2']  # arr2 这个变量的值
npzfile.get(key='arr3', default=1)  # 同上，但是对于不存在的变量，返回一个默认值

npzfile.items()  # 一个 iterator，key-value 结构
npzfile.values()  # 一个 iterator，存放value

scipy.io.savemat('file2_scipy', {'arr1': arr1, 'arr2': arr2})

data_scipy = scipy.io.loadmat('file2_scipy')

import numpy as np

arr1 = np.random.uniform(0, 1, size=(3, 3))
arr2 = np.random.uniform(0, 1, size=(10, 1))

# 矩阵对应的行列式的值
A = np.linalg.det(arr1)

# 矩阵的转置
arr1.T

# 矩阵的逆
np.linalg.inv(arr1)

# 矩阵乘法
np.dot(arr1, arr2)
# 注意，这里的a,b必须是多维的，否则返回的是內积（对应项相乘）  
# python 3.5 以上也可以这样写：
arr1 @ arr2


# 矩阵的点积
a * b

# 矩阵的次方
np.linalg.matrix_power(arr1, n=3)
# n是正/负/零整数

# 矩阵的特征值特征向量
eigenvalues, eigenvectors = np.linalg.eig(arr1)
np.linalg.eig(A)  # 输入任意方阵，返回特征值+特征向量
np.linalg.eigvals(A)  # 输入任意矩阵，返回特征值
np.linalg.eigh(A)  # 输入：实对称或 Hermitian 方阵。返回特征值+特征向量，速度快，精度高
np.linalg.eigvalsh(A)  # 输入：实对称或 Hermitian 方阵。返回特征值，不计算特征向量，速度更快。不能用于非对称矩阵
scipy.linalg.eigh
scipy.linalg.eigvals
scipy.linalg.eigvalsh
scipy.linalg.eig_banded
scipy.linalg.eigh_tridiagonal
scipy.linalg.eigvals_banded
scipy.linalg.eigvalsh_tridiagonal

# 矩阵的秩
np.linalg.matrix_rank(a)