学习Numpy，看这篇文章就够啦( 三 ) _Numpy

.tolist( )：将数组或者矩阵转换成列表

但请注意深度分割函数dsplit的使用条件：
import numpy as nparr=np.arange(12)arr.shape = (4, 3)print('n', arr)输出：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
print('形状改变后, ndarray arr的维度为:',arr.ndim)输出：
形状改变后， ndarray arr的维度为：2

'''dsplit分割的ndarray必须是三维ndarray ， 且分割的数目必须为shape属性中下标为2的值的公约数 。比如这里的分割数就是36 ， 下标为2的值是4 ， 符合要求'''arr = np.arange(36).reshape(3,3,4)print('创建的三维ndarrary arr为:n',arr)

创建的三维 ndarrary arr为：
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[ 12 13 14 15]
[ 16 17 18 19]
[ 20 21 22 23]]
[[ 24 25 26 27]
[ 28 29 30 31]
[ 32 33 34 35]]]
1. 排序与搜索
书中已经介绍了6种基本函数和它们的代码演示：

使用sort函数进行排序
使用argsort函数进行排序
使用argmax和argmin函数进行搜索
使用where函数无x与y
使用where函数有x与y
使用extract函数进行搜索

在这里做几点补充和说明：
其中注意argsort函数使用的方法类似于sort ，只是返回的值不同，返回的是ndarray arr的下标。
2. 字符串操作
Numpy的char模块提供的字符串操作函数可以运用向量化运算来处理整个ndarray ，而完成同样的任务， Python的列表则通常借助循环语句遍历列表，并对逐个元素进行相应的处理。
Numpy的char模块提供的常用字符串操作函数具有字符串的连接、切片、删除、替换、字母大小写转换和编码调用等功能，可谓是十分方便，书上有非常详细的介绍，建议大家结合《Python 3智能数据分析快速入门》这本书美味食用。
03 ufuncufunc ，全称通用函数（universal function），是一种能够对ndarray中所有元素进行操作的函数，而不是对ndarray对象操作。

ufunc的广播机制

广播（Broadingcasting）是指不同形状的ndarray之间执行算术运算的方式。若两个ndarray的shape不一致， Numpy则会实行广播机制。为了更好地使用广播机制，需要遵循4个原则。原则及案例在书上第159页有详细演示，此处不再赘述。

常用ufunc

常用的ufunc运算有算数运算、三角函数、集合运算、比较运算、逻辑运算和统计计算等。书上提供了若干种常用函数，对ndarray中所有元素的运算来说，在提供了极其方便与快捷的同时，又囊括一切强大的功能。相关函数及案例在书上第161页有详细演示，此处不再赘述。
04 matrix与线性代数Numpy的matrix是继承自Numpy的二维ndarray对象，不仅拥有二维ndarray的属性、方法与函数，还拥有诸多特有的属性与方法。同时， Numpy中的matrix与线性代数中的矩阵概念几乎完全相同，同样含有转置矩阵、共轭矩阵、逆矩阵等概念。
只要是大学期间学过《线性代数》这门课程的同学，对于《Python 3智能数据分析快速入门》的学习完全没有问题，相关专业术语及技术实现细节在本节中都有强调。详情请从第169页开始学习。
05 Numpy文件读写读写文件是利用Numpy进行数据处理的基础， Numpy中主要有二进制的文件读写和文件列表形式的数据读写两种形式。其中二进制文件读取使用书上第175页中提到的load函数；二进制文件存储使用save和savez函数。
但是在实际的数据分析任务中，更多使用文本格式的数据，如txt或csv ，因此经常使用loadtxt函数执行对文本格式的数据的读取任务和savetxt函数执行对文本格式的数据的存储任务。
但是它们只能有效存取一维和二维数据，这里我再对多维数据的存取的方法进行补充：
a.tofile(frame, sep='', format='%s')