学习痛苦啊，今天学，明天丢。这种天气，还是睡觉最舒服了。
咱说归说，闹归闹，但还是得学才行啊。
之前在学习的过程中一直都有记录笔记的习惯，但笔记质量可不敢恭维，大多都未曾整理，不过拿来复习倒是个不错的选择。
自打接触Python以来，写的最多的就是爬虫了，什么网络小说啊，虚拟游戏币啊，考试题库啊之类的都有写过，也帮别人爬过不少网站公开数据。之前也整理过一篇爬虫相关的文章（太懒了，才一篇，之后有机会有时间，再整理出来吧）：
再之后的话，就对Social Engineering产生了一定的兴趣，或许需要能言善辩，巧舌如簧，达到“江湖骗子”的等级，才能玩转社会工程学吧。之前也写过一篇Web渗透相关的文章：。
这里还是有必要提醒一下大家，对于一些不信任的人或信息，如果你会一些网络安全相关技能，可以当做一次渗透经验，否则的话，最好的处理方式是置之不理，别让你的好奇心成为坠入深渊的开始，尤其是在这云龙混杂的虚拟网络世界中。就在前几天，警方还破获了全国最大网络 luo liao 敲诈案呢，受害者达10余万人，涉案金额也有XXXXXXXXXXXXXXX，大家还是需要注意的。
反正，学的东西很多、很杂，学的也不精，记录的笔记也很少回过头复习。工欲善其事，必先利其器，这不开始系统性学习机器学习么，所以想把之前记录的Numpy、Pandas、Matplotlib“三剑客”笔记重新整理一下，也算是做一个回顾。
后期的话，会学习一些机器学习算法，主要参考《机器学习实战 / Machine Learning in Action》和周志华老师的《机器学习》西瓜书，以及其他一些圈内大佬写的一些技术文章。能手撕的话尽量手撕，不能手撕只能说明自己还有待提高吧。
Flag立的太多，感觉会被啪啪打脸。没事，慢慢来吧，打脸也不怕，反正皮糙肉厚 (￣_,￣ )
这篇文章先把NumPy整理出来吧，可能记录的并不全面，只记录了一些常用的，其他的话后期用到了再进行更新吧。以下内容主要参考菜鸟教程和NumPy官方文档：
NumPy菜鸟教程：https://www.runoob.com/numpy/numpy-tutorial.html
NumPy官方文档：https://numpy.org/doc/stable/user/quickstart.html
关于NumPy的安装，前面在介绍深度学习环境搭建的时候已经介绍过了，推荐安装Anaconda，其内部集成了大量第三方工具模块，而不需要手动 pip install ...，这一点就有点像Java中的Maven。Anaconda可参考：
如果您没有安装Anaconda那也没事，只需要在Python环境下执行以下命令安装NumPy即可：
> pip3 install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple以下内容采用的NumPy的版本为：1.18.1
In [1]: import numpy as np In [2]: np.__version__ Out[2]: '1.18.1'在NumPy中，操作的对象大多为ndarray类型，也可称其别名为array，我们可以把它看做矩阵或向量。
创建np.ndarray对象有多种方式，NumPy中也有多个api可供调用，比如我们可以通过如下方式创建一个指定的ndarray对象：
In [7]: temp_array = np.array([[1, 2, 3], [4, 5, 6]], dtype = np.int32) In [8]: temp_array Out[8]: array([[1, 2, 3], [4, 5, 6]]) In [9]: type(temp_array) Out[9]: numpy.ndarray # 输出的类型为ndarray当然了，也可以调用arange，然后对其进行reshape操作来改变其形状，将向量转换成2x3的矩阵形式，此时的对象类型依然是numpy.ndarray：
In [14]: temp_array = np.arange(1, 7).reshape(2, 3) # arange产生向量，reshape改变形状，转化成矩阵 In [15]: temp_array Out[15]: array([[1, 2, 3], [4, 5, 6]]) In [16]: type(temp_array) # 输出的类型依然是ndarray Out[16]: numpy.ndarray由上，我们可以发现，无论通过什么方式（其他方式后期会有介绍）来创建对象，NumPy操作的都是ndarray类型，且该类型对象中主要包含以下属性：
ndarray.ndim：表示ndarray的轴数，也可理解成维度，或者可以通俗的理解成外层中括号的数量。比如[1, 2, 3]的ndim就是1，[[1], [2], [3]]的ndim等于2，[[[1]], [[2]], [[3]]]的ndim等于3（注意观察外层中括号的数量）
ndarray.shape：表示ndarray的形状，输出的是一个元组。该ndarray有n行m列，那输出的就是(n, m)，比如[[1], [2], [3]]输出的是(3, 1)，[[[1]], [[2]], [[3]]]输出的是(3, 1, 1)，[[[1, 2]], [[3, 4]]]输出的是(2, 1, 2)。通过上述3个例子，可以发现shape是按照从外至内的顺序来表示的
ndarray.size：这个比较容易理解，表示的就是ndarray内部元素的总个数，也就是shape的乘积
ndarray.dtype：表示ndarray内部元素的数据类型，常见的有numpy.int32、numpy.int64、numpy.float32、numpy.float64等
以上就是ndarray中常见的一些属性，注意：只是部分，并非全部，其他属性可参考官方文档
我们可以通过以下列子来观察下ndarray的各个属性，以及其内部的属性应该如何修改：
以上例子中涉及到的np.expand_dims和np.astype会在后面进行介绍。