Numpy库入门
一维数据：由对等关系的有序或无序数据构成，采用线性方式组织。
二维数据由多个一维数据构成，是一维数据的组合形式。（表格）
多维数据由一维或二维数据在新维度上扩展形成。
Numpy:开源的Python科学计算基础库,是SciPy、Pandas等数据处理或科学计算库的基础. Numpy的引用：import numpy as np
NumPy的数组对象：ndarray（在程序中的别名是array）.
np.array( )输出( )里的数据，若( )里由多个数据需要先组织起来，输出成[ ]形式的数组，元素之间由空格分隔。
np.array()与列表类型不同！，列表中元素间用逗号分隔，np.array()数组中元素用空格分隔，但以列表形式组织。
import numpy as np
a = np.array((1.0,2.0,3.0),dtype=int)
print(a.dtype) #int32
print(a) #[1 2 3]
b = np.array([[1,2,3],[4,5,6]])
print(b)
print(b.ndim) #2 #输出维度(秩)，如1或2或3……
print(b.shape) #(2,3) #输出数组形状，(m,n)m行n列
print(b.size) #6 #输出元素个数[[1 2 3][4 5 6]]
numpy是表达N维数组的最基础库。把n维数组看成简单的数据对象，可直接进行操作和运算，所以要求数据类型相同，也助于节省运算和存储空间。而列表是逐个读取数据，故列表的数据类型可以不同。
ndarray的属性
！不是方法，直接.属性，不用在后面加（）
ndarray的元素类型
comples64：复数类型，实部和虚部都是32位浮点数；complex128：复数类型，实部和虚部都是64位浮点数。
numpy为啥要支持这么多种数据类型？python仅支持整数、浮点数和复数3种类型；科学计算涉及数据多，对存储和性能由较高要求；元素类型的精细定义，利于存储空间及性能优化，助于程序员评估程序规模。在创建ndarray数组时可设定数据类型。
ndarray数组的创建
np.ones_like(a):根据数组a的形状生成一个全为1的数组；np.zeros_like(a):根据数组a的形状生成一个全为0的数组；np.full_like(a,val):根据数组a的形状生成一个数组，每个元素值都是val；在科学计算中一般获得的是浮点数（如温度值、声音值）
ndarray数组的变换
维度变换：
.reshape(shape)：不改变数组元素，返回一个shape形状的数组，原数组不变；.resize(shape)：与前者一致，但修改原数组.swapaxes(ax1,ax2)：将数组n个维度中两个维度进行调换；.flatten( )：数组降维，返回折叠后的一维数组，原数组不变。
import numpy as np
a = np.ones((3,4)).reshape(-1,6) #reshape中的-1是指：不知道多少行，但有6列
print(a)
#[[1. 1. 1. 1. 1. 1.]
# [1. 1. 1. 1. 1. 1.]]数据类型变换 .astype( ) 向列表的转换 .tolist( )
ndarray数组的操作
索引：获取数组中特定位置元素的过程；切片：获取数组元素子集的过程[ , ]，如果是二维数据，切片中会有两个数。
ndarray数组的运算(一元/二元函数)
对数组的运算就是对数组中每一个元素进行运算
Numpy的一元函数（对一个数组运算的函数）
Numpy的二元函数（ 对两个数组进行运算的函数）
+ - * / **：两个数组各元素进行对应运算；np.maximum(x,y)、np.minimum(x,y)元素级最大值、最小值计算
np.mod(x,y):元素级的模运算；np.copysign(x,y):将y中各元素值的符号赋值给x对应元素；< > >= != == 算数比较，产生布尔型数组
Numpy数据存储与函数
数据CSV文件存取（一维/二维）
%d：整数；%1f：一位小数的浮点数类型；
np.savetxt('a.csv',a)，没有delimiter参数和fmt参数。 np.savetxt('b.csv',a,fmt='%.1f')，没有delimiter参数。
np.savetxt('c.csv',a,fmt='%d',delimiter=' ')，delimiter参数为空格；np.savetxt('d.csv',a,fmt='%d',delimiter=',')delimiter参数为,
np.loadtxt('a.csv') ；data = np.loadtxt('a.csv',delimiter=',')；data = np.loadtxt('a.csv',delimiter=',',dtype=int)
np.loadtxt默认输出德类型为float，即使没有dtype=float
这种程序无法简单用.loadtxt读取，因为时字符串形式（一个格子里有两个元素），可以csv中先分列 。
CSV文件的局限性：只能有效存储一维和二维数组，np.savetxt()和np.loadtxt()只能有效存储一维和二维数组。
多维数据的存取 a.tofile( )\np.fromfile( )
二进制空间比文本文件占用空间更小，由于看不到内容，只能作为数据备份的方式。
b---二进制；d---十进制；o---八进制；x---十六进制
注意： 该方法读取时需要知道文件的数组维度和元素类型。a.tofile( )和np.fromfile( )需配合使用，可通过元组文件来存储额外信息。
NumPy的便捷文件存储 np.save( )\np.savez( )\np.load( )
存储/打开文件是以.npy为扩展名的。 需要用IDE打开
numpy的随机数函数子库random子库。np.random.rand(数组形状)/randn()/randint()/seed()
shuffle/permutation：行的随机上下跳动。choice(a,(,),p=)：从一个数组中随机抽取,生成特定形状的新数组，抽取数据可有概率。
NumPy的统计函数 np.*
axis=0 ： 表示纵轴，进行操作的方向为从上到下；axis=1 ： 表示横轴，进行操作的方向为从左到右。
NumPy的梯度函数 np.gradient( )
梯度反映元素的变化率，在图像、声音批量数据处理时，梯度助于发现图像或声音的边缘
np.gradient(f)：计算数组f中元素的梯度，当f为多维时，返回每个维度梯度。梯度：连续值之间的变化率（即斜率）。XY坐标轴连续三个X坐标对应的Y轴值：a,b,c,其中b的梯度是(c-a)/2
Numpy、PIL中的图像的手绘效果
图像的数组表示
图像一般都会采用一种模式——RGB色彩模式，即每个像素点的颜色由红（R）、绿（G）、蓝（B）组成。
RGB三个颜色通道的变化和叠加得到各种颜色，R取值范围0-255，G取值范围0-255，B取值范围0-255。包括了视力所能感知的所有颜色。图像是一个三维数组，维度分别是高度、宽度和像素RGB值。
PIL库（Python处理图像的功能库，第三方库）图像是一个由像素组成的二维矩阵，每个元素是一个RGB值。
图像的简单变换
图像可表示为一个数组，而数组是可以运算的，经过运算后的数组可以改变图像的形状。
.astype( )：数组类型的转变，先对原始数据进行拷贝。详见Numpy库入门
图像的手绘效果
手绘效果的特征：黑白灰色；边界线条较重；相同或相近色彩趋于白色；略有光源效果。在图像灰度化的基础上，由立体效果和明暗效果叠加而成，灰度代表图像的明暗变化，梯度值表示灰度的变化率。通过调整像素的梯度值来间接改变图片的明暗程度。立体效果通过添加虚拟深度值来实现。
from PIL import Image
import numpy as npa = np.asarray(Image.open('C:/Users/木头目/Desktop/picture.png').convert('L')).astype('float')depth = 10 #预设深度值为10，取值范围0-100
grad = np.gradient(a)
grad_x,grad_y=grad #提取x和y方向的梯度值
grad_x = grad_x * depth/100
grad_y = grad_y*depth/100 #根据深度调整x和y方向的梯度值（对深度值进行归一化）
A = np.sqrt(grad_x**2 + grad_y**2 + 1)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1/Avec_el = np.pi/2.2 #光源的俯视角度，弧度制
vec_az = np.pi/4 #光源的方位角度，弧度制
dx = np.cos(vec_el)*np.cos(vec_az) #np.cos(vec_el)为单位光线在地平面上的投影长度
dy = np.cos(vec_el)*np.sin(vec_az)
dz = np.sin(vec_el) #dx,dy,dz是光源对x/y/z三方向的影像程度b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
b = b.clip(0,255)im = Image.fromarray(b.astype('uint8')) #重构图像
im.save('C:/Users/木头目/Desktop/picture8.png')
