使用anaconda3

0、安装anaconda （无需参考pycharm使用）
1、查看当前的虚拟环境
conda env list

标注了*号的为当前环境，如果没有 * 号则需要cmd中切换到自定义环境

2、创建虚拟环境

conda create -n yidaqi python==3.8.5
3、激活虚拟环境，也就是进入我们创建好的虚拟环境。

conda activate yidaqi

CondaError: Run 'conda init' before 'conda activate'
解决方法：
第一步：执行初始化命令
conda init cmd.exe
第二步：关闭当前终端，重新打开一个新的终端（必须重启！）
第三步：重新执行激活命令
conda activate yidaqi

4、退出当前环境

conda deactivate
5、删除某一个自己创建过的环境

conda remove -n yidaqi --all
6、复制之前的虚拟环境的东西到另一个虚拟环境里面

conda create -n new_yidaqi --clone yidaqi
7、查看当前所有的环境

conda info -e

pycharm使用conda的环境

1.选择interpreter 2.选择add Interpreter 3.Select existing 4.Type 选择Conda 5.Environment 选择yidaqi

下载依赖包

1. 切换到yidaiqi环境
2. conda install numpy -y

# 导入 NumPy 库，通常简写为 np
import numpy as np

# ==================== 1. 数组创建 ====================

# 从 Python 列表创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])
print("创建的数组：", arr1)

# 从嵌套列表创建二维数组（3行3列）
arr2 = np.array([[1, 2, 3],
                 [4, 5, 6],
                 [7, 8, 9]])
print("创建的数组：", arr2)

# ==================== 2. 数组属性 ====================

# .shape：返回数组在每个维度上的大小（元组形式）
print("数组的维度（形状）：", arr2.shape)  # (3, 3)

# .dtype：返回数组元素的数据类型（默认整数为 int64）
print("数组的数据类型：", arr2.dtype)

# .size：返回数组中元素的总个数（= 所有维度相乘）
print("数组的元素个数：", arr2.size)  # 9

# .itemsize：返回每个元素占用的字节数（int64 占 8 字节）
print("数组的元素大小（字节）：", arr2.itemsize)

# 直接修改 shape 属性可改变数组维度（元素总数必须不变）
arr2.shape = (1, 9)  # 将 3x3 变为 1x9
print("改变数组的维度（reshape in-place）：", arr2)

# ==================== 3. 常用数组创建函数 ====================

# np.arange(start, stop, step)：生成等差序列（左闭右开）
print("使用 arange 创建数组（步长0.1）：\n", np.arange(0, 1, 0.1))

# np.linspace(start, stop, num)：在区间内均匀生成 num 个点（包含两端）
print("使用 linspace 创建数组（5个点）：\n", np.linspace(0, 1, 5))

# np.logspace(start, stop, num)：在对数尺度上生成等比数列（10^start 到 10^stop）
print("使用 logspace 创建数组（对数等分）：\n", np.logspace(0, 2, 5))  # 即 1 到 100

# np.zeros(shape)：创建全 0 数组
print("使用 zeros 创建数组（2行3列）：\n", np.zeros((2, 3)))

# np.ones(shape)：创建全 1 数组
print("使用 ones 创建数组（2行3列）：\n", np.ones((2, 3)))

# np.eye(N)：创建 N×N 的单位矩阵（主对角线为1，其余为0）
print("使用 eye 创建数组（3×3单位阵）：\n", np.eye(3))

# np.diag(v)：以向量 v 为对角线创建对角矩阵
print("使用 diag 创建数组（对角矩阵）：\n", np.diag([1, 2, 3, 4]))

# ==================== 4. 数据类型转换 ====================

# 标量类型转换示例（NumPy 提供精确类型控制）
print('整型 → 浮点型：', np.float64(42))
print('浮点型 → 整型：', np.int8(42.0))      # 注意：会截断小数部分
print('非零整型 → 布尔型：', np.bool_(42))    # 非零为 True
print('零 → 布尔型：', np.bool_(0))          # 零为 False
print('布尔 True → 浮点型：', np.float_(True))   # True → 1.0
print('布尔 False → 浮点型：', np.float_(False)) # False → 0.0

# ==================== 5. 结构化数组（复合数据类型）====================

# 定义结构化 dtype：类似数据库表或 C 语言 struct
df = np.dtype([
    ("name", np.str_, 40),     # 商品名：Unicode 字符串，最长40字符
    ("numitems", np.int64),    # 数量：64位整数
    ("price", np.float64)      # 价格：64位浮点数
])

# 创建结构化数组（每条记录是一个元组）
data = np.array([("苹果", 100, 5.99), ("香蕉", 200, 3.49)], dtype=df)
print("商品名称：", data["name"])   # 按字段名访问
print("商品价格：", data["price"])
print('结构化数据类型定义：', df)

# ==================== 6. 随机数组生成 ====================

# np.random.random(size)：生成 [0,1) 均匀分布的随机浮点数
print('生成100个[0,1)随机数：', np.random.random(100))

# np.random.randn(d0, d1, ...)：生成标准正态分布（均值0，方差1）
print('生成10×5的标准正态分布随机数：\n', np.random.randn(10, 5))

# np.random.randint(low, high, size)：生成 [low, high) 的随机整数
print('生成2×5的[0,10)随机整数：\n', np.random.randint(0, 10, size=[2, 5]))

# ==================== 7. 一维数组索引与切片 ====================

arr = np.arange(10)  # [0,1,...,9]
print('数组初始值：', arr)

print('整数索引（取第5个元素）：', arr[5])           # 5
print('切片 [3:5)：', arr[3:5])                     # [3, 4]
print('省略起始 [:5]：', arr[:5])                   # [0,1,2,3,4]
print('负索引（最后一个）：', arr[-1])               # 9

# 切片赋值（会修改原数组，因为切片是视图）
arr[2:4] = 100, 101
print('切片赋值后：', arr)                          # [0,1,100,101,4,...]

print('带步长切片 [1:-1:2]：', arr[1:-1:2])         # 从索引1到倒数第1，步长2
print('负步长切片 [5:1:-2]：', arr[5:1:-2])         # 倒序取：5 → 101

# ==================== 8. 二维数组索引与切片 ====================

arr = np.array([
    [1, 2, 3, 4, 5],
    [4, 5, 6, 7, 8],
    [7, 8, 9, 10, 11]
])
print('创建的二维数组为：\n', arr)

print('取第0行，第3～4列（不包含5）：', arr[0, 3:5])        # [4,5]
print('取第1行及以后，第2列及以后：\n', arr[1:, 2:])       # [[6,7,8],[9,10,11]]
print('取所有行的第2列：', arr[:, 2])                      # [3,6,9]

# 花式索引（高级索引）：用整数列表指定行列（一一对应）
#  arr[[0,1,2], [1,2,3]]对应(0,1)，(1,2) (2,3)
print('花式索引（对角线变体）：', arr[[0, 1, 2], [1, 2, 3]])  # [2,6,10]

# 行切片 + 列花式索引
print('取第1、2行，第0、2、3列：\n', arr[1:, (0, 2, 3)])

# 布尔索引：用布尔数组筛选行
mask = np.array([True, False, True])  # 推荐直接用 bool，而非 np.bool_（已弃用）
print('布尔索引（第0、2行）的第2列：', arr[mask, 2])        # [3,9]

# ==================== 9. 数组变形与平展 ====================

arr = np.arange(12)  # 一维 [0..11]
print('创建的一维数组：', arr)

# .reshape()：返回新形状的数组（不改变原数组）
reshaped = arr.reshape(3, 4)
print('转置结果（实际是 reshape）：\n', reshaped)
print('新数组的维度：', reshaped.ndim)  # 2

# 平展（降为一维）
print('ravel()（返回视图，若可能）：', arr.reshape(3,4).ravel())
print('flatten()（总是返回副本）：', arr.reshape(3,4).flatten())
print('flatten(order="F")（按列优先）：', arr.reshape(3,4).flatten('F'))

# ==================== 10. 数组合并与分割 ====================

# 创建两个 3×4 数组
arr1 = np.arange(12).reshape(3, 4)
arr2 = arr1 * 3
print('数组1：\n', arr1)
print('数组2（arr1×3）：\n', arr2)

# 横向拼接（列方向）
print('横向组合（hstack）：\n', np.hstack((arr1, arr2)))
print('横向组合（concatenate axis=1）：\n', np.concatenate((arr1, arr2), axis=1))

# 纵向拼接（行方向）
print('纵向组合（concatenate axis=0）：\n', np.concatenate((arr1, arr2), axis=0))

# 创建 4×4 数组用于切割
arr = np.arange(16).reshape(4, 4)
print('待切割数组：\n', arr)

# 横向切割（按列分2份）
print('横向切割（hsplit）：', np.hsplit(arr, 2))  # 返回两个 4×2 数组

# 纵向切割（按行分2份）
print('纵向切割（vsplit）：', np.vsplit(arr, 2))  # 返回两个 2×4 数组