python之numpy学习

Numpy是一个用python实现的科学计算的扩展程序库，包括：

• 1、一个强大的N维数组对象Array；
• 2、比较成熟的（广播）函数库；
• 3、用于整合C/C++和Fortran代码的工具包；
• 4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。

NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。

CSV文件读取

numpy随机数函数

numpy中random的统计函数

1.Numpy基本操作

1.1 列表转为矩阵

import numpy as np
#np.array生成一个ndarray数组，ndarray再程序中的别名为array
#np.array()输出形式为[],元素之间由空格分隔
array = np.array([
    [1,3,5],
    [4,6,9]
])

print(array)
[[1 3 5]
 [4 6 9]]

1.2 维度

print('number of dim:', array.ndim)
number of dim: 2

1.3 行数和列数()

print('shape:',array.shape)
shape: (2, 3)

1.4 元素个数

print('size:',array.size)
size: 6

1.5 ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或者维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

1.6 ndarray对象的元素类型

数据类型	说明
bool	布尔类型，True或者False
intc	与C语言中int类型一致，一般是int32或者int64
intp	用于于索引的整数，与C语言中 size_t一致，int32或int64
int8	字节长度的整数，取值：[-128,127]
int16	16位长度的整数，取值：[-32768,32767]
int32	32位长度的整数，取值：[-231,231-1]
int64	64位长度的整数，取值：[-263,263-1]
uint8	8位无符号整数，取值：[0,255]
uint16	16位无符号整数，取值：[0,65535]
uint32	32位无符号整数，取值：[0,2^32-1]
uint64	64位无符号整数，取值：[0,2^64-1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，11位指数，52位尾数
complex64	复数类型，实部和虚部都是32位浮点数
complex128	复数类型，实部和虛部都是64位浮点数

2.Numpy创建array

从列表类型创建数组

a = np.array([2,23,4]) 

从元组类型创建数组

a = np.array((2,23,4)) 

从列表和元组混合类型创建数组

a = np.array([2,23,4],[1,2,3],(4,5,6)) 

使用numpy中函数创建数组

函数	说明
np. arange（n）	类似 range0函数，返回 ndarray类型，元素从0到n-1
np.ones（ shape）	根据 shape生成一个全1数组， shape是元组类型
np, zeros（ shape）	根据 shape生成一个全0数组， shape是元组类型
np. full（shape,vaD）	根据 shape生成一个数组，每个元素值都是val
np. eye（n）	创建一个正方的n*n单位矩阵，对角线为1，其余为0
np. ones_like（a）	根据数组a的形状生成一个全1数组
np.zeros_like（a）	根据数组a的形状生成一个全0数组
np. full_like（a,va）	根据数组a的形状生成一个数组，每个元素值都是val
np. linspaceO	根据起止数据等间距地填充数据，形成数组
np. concatenate()	将两个或多个数组合井成一个新的数组

ndarray数组的维度变换

说明	方法
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 reshape功能一致，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()	对数组进行降维，返回折叠后的一维数组，原数组不变

ndarray数组的类型变换

#astype方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致。
new a=a. astype（new type）

ndarray数组向列表的转换

2.1 一维array创建

import numpy as np
# 一维array
a = np.array([2,23,4], dtype=np.int32) # np.int默认为int32
print(a)
print(a.dtype)
===========================
[ 2 23  4]
int32

2.2 多维array创建

# 多维array
a = np.array([[2,3,4],
              [3,4,5]])
print(a) # 生成2行3列的矩阵
==========================================
[[2 3 4]
 [3 4 5]]

2.3 创建全零数组(zeros)

a = np.zeros((3,4))
print(a) # 生成3行4列的全零矩阵
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

2.4 创建全1数据(ones)

In [8]:

# 创建全一数据，同时指定数据类型
a = np.ones((3,4),dtype=np.int)
print(a)
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

2.5 创建全空数组(empty)

In [9]:

# 创建全空数组，其实每个值都是接近于零的数
a = np.empty((3,4))
print(a)
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

2.6 创建连续数组(arange)

In [10]:

# 创建连续数组
a = np.arange(10,21,2) # 10-20的数据，步长为2
print(a)
[10 12 14 16 18 20]

2.7 reshape操作

In [11]:

# 使用reshape改变上述数据的形状
b = a.reshape((2,3))
print(b)
[[10 12 14]
 [16 18 20]]

2.8 创建连续型数据(linspcace)

# 创建线段型数据
a = np.linspace(1,10,20) # 开始端1，结束端10，且分割成20个数据，生成线段
print(a)
[ 1.          1.47368421  1.94736842  2.42105263  2.89473684  3.36842105
  3.84210526  4.31578947  4.78947368  5.26315789  5.73684211  6.21052632
  6.68421053  7.15789474  7.63157895  8.10526316  8.57894737  9.05263158
  9.52631579 10.        ]
  
  #endpoint为false时，生成的数组不含结束端
  b= np linspace（l, 10， 4， endpoint=False）
  print(b)
  [1.,3.25,5.5,7.75]

2.9 linspace的reshape操作

In [13]:

# 同时也可以reshape
b = a.reshape((5,4))
print(b)
[[ 1.          1.47368421  1.94736842  2.42105263]
 [ 2.89473684  3.36842105  3.84210526  4.31578947]
 [ 4.78947368  5.26315789  5.73684211  6.21052632]
 [ 6.68421053  7.15789474  7.63157895  8.10526316]
 [ 8.57894737  9.05263158  9.52631579 10.        ]]

3.Numpy基本运算

数组与标量之间的运算

numpy一元函数

numpy二元函数

3.1 一维矩阵运算

In [14]:

import numpy as np
# 一维矩阵运算
a = np.array([10,20,30,40])
b = np.arange(4)
print(a,b)
[10 20 30 40] [0 1 2 3]

In [15]:

c = a - b
print(c)
[10 19 28 37]

In [16]:

print(a*b) # 若用a.dot(b),则为各维之和
[  0  20  60 120]

In [17]:

# 在Numpy中，想要求出矩阵中各个元素的乘方需要依赖双星符号 **，以二次方举例，即：
c = b**2
print(c)
[0 1 4 9]

In [18]:

# Numpy中具有很多的数学函数工具
c = np.sin(a)
print(c)
[-0.54402111  0.91294525 -0.98803162  0.74511316]

In [19]:

print(b<2)
[ True  True False False]

In [20]:

a = np.array([1,1,4,3])
b = np.arange(4)
print(a==b)
[False  True False  True]

3.2 多维矩阵运算

In [21]:

a = np.array([[1,1],[0,1]])
b = np.arange(4).reshape((2,2))
print(a)
[[1 1]
 [0 1]]

In [22]:

print(b)
[[0 1]
 [2 3]]

In [23]:

# 多维度矩阵乘法
# 第一种乘法方式:
c = a.dot(b)
print(c)
[[2 4]
 [2 3]]

In [24]:

# 第二种乘法:
c = np.dot(a,b)
print(c)
[[2 4]
 [2 3]]

In [25]:

# 多维矩阵乘法不能直接使用'*'号

a = np.random.random((2,4))

print(np.sum(a))
3.825517216750851

In [26]:

print(np.min(a))
0.09623355767721398

In [27]:

print(np.max(a))
0.7420428188342583

In [28]:

print("a=",a)
a= [[0.48634962 0.74204282 0.09623356 0.69074812]
 [0.60218881 0.52734181 0.41434585 0.26626662]]

如果你需要对行或者列进行查找运算，

就需要在上述代码中为 axis 进行赋值。

当axis的值为0的时候，将会以列作为查找单元，

当axis的值为1的时候，将会以行作为查找单元。

In [29]:

print("sum=",np.sum(a,axis=1))
sum= [2.01537412 1.8101431 ]

In [30]:

print("min=",np.min(a,axis=0))
min= [0.48634962 0.52734181 0.09623356 0.26626662]

In [31]:

print("max=",np.max(a,axis=1))
max= [0.74204282 0.60218881]

3.3 基本计算

In [32]:

import numpy as np

A = np.arange(2,14).reshape((3,4))
print(A)
[[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]

In [33]:

# 最小元素索引
print(np.argmin(A)) # 0
0

In [34]:

# 最大元素索引
print(np.argmax(A)) # 11
11

In [35]:

# 求整个矩阵的均值
print(np.mean(A)) # 7.5
7.5

In [36]:

print(np.average(A)) # 7.5
7.5

In [37]:

print(A.mean()) # 7.5
7.5

In [38]:

# 中位数
print(np.median(A)) # 7.5
7.5

In [39]:

# 累加
print(np.cumsum(A))
[ 2  5  9 14 20 27 35 44 54 65 77 90]

In [40]:

# 累差运算
B = np.array([[3,5,9],
              [4,8,10]])
print(np.diff(B))
[[2 4]
 [4 2]]

In [41]:

C = np.array([[0,5,9],
              [4,0,10]])
print(np.nonzero(B))
print(np.nonzero(C))
(array([0, 0, 0, 1, 1, 1], dtype=int64), array([0, 1, 2, 0, 1, 2], dtype=int64))
(array([0, 0, 1, 1], dtype=int64), array([1, 2, 0, 2], dtype=int64))

In [42]:

# 仿照列表排序
A = np.arange(14,2,-1).reshape((3,4)) # -1表示反向递减一个步长
print(A)
[[14 13 12 11]
 [10  9  8  7]
 [ 6  5  4  3]]

In [43]:

print(np.sort(A))
[[11 12 13 14]
 [ 7  8  9 10]
 [ 3  4  5  6]]

In [44]:

# 矩阵转置
print(np.transpose(A))
[[14 10  6]
 [13  9  5]
 [12  8  4]
 [11  7  3]]

In [45]:

print(A.T)
[[14 10  6]
 [13  9  5]
 [12  8  4]
 [11  7  3]]

In [46]:

print(A)
[[14 13 12 11]
 [10  9  8  7]
 [ 6  5  4  3]]

In [47]:

print(np.clip(A,5,9))
[[9 9 9 9]
 [9 9 8 7]
 [6 5 5 5]]

clip(Array,Array_min,Array_max)

将Array_min<X<Array_max X表示矩阵A中的数，如果满足上述关系，则原数不变。

否则，如果X<Array_min，则将矩阵中X变为Array_min;

如果X>Array_max，则将矩阵中X变为Array_max.

4.Numpy索引与切片

一维数组的索引切片

多维数组的索引切片

In [48]:

import numpy as np
A = np.arange(3,15)
print(A)
[ 3  4  5  6  7  8  9 10 11 12 13 14]

In [49]:

print(A[3])
6

In [50]:

B = A.reshape(3,4)
print(B)
[[ 3  4  5  6]
 [ 7  8  9 10]
 [11 12 13 14]]

In [51]:

print(B[2])
[11 12 13 14]

In [52]:

print(B[0][2])
5

In [53]:

print(B[0,2])
5

In [54]:

# list切片操作
print(B[1,1:3]) # [8 9] 1:3表示1-2不包含3
[8 9]

In [55]:

for row in B:
    print(row)
[3 4 5 6]
[ 7  8  9 10]
[11 12 13 14]

In [56]:

# 如果要打印列，则进行转置即可
for column in B.T:
    print(column)
[ 3  7 11]
[ 4  8 12]
[ 5  9 13]
[ 6 10 14]

In [57]:

# 多维转一维
A = np.arange(3,15).reshape((3,4))
# print(A)
print(A.flatten())
# flat是一个迭代器，本身是一个object属性
[ 3  4  5  6  7  8  9 10 11 12 13 14]

In [58]:

for item in A.flat:
    print(item)
3
4
5
6
7
8
9
10
11
12
13
14

我们一起来来总结一下，看下面切片取值方式（对应颜色是取出来的结果）：

5.Numpy array合并

5.1 数组合并

In [59]:

import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])
print(np.vstack((A,B)))
# vertical stack 上下合并,对括号的两个整体操作。
[[1 1 1]
 [2 2 2]]

In [60]:

C = np.vstack((A,B))
print(C)
[[1 1 1]
 [2 2 2]]

In [61]:

print(A.shape,B.shape,C.shape)# 从shape中看出A,B均为拥有3项的数组(数列)
(3,) (3,) (2, 3)

In [62]:

# horizontal stack左右合并
D = np.hstack((A,B))
print(D)
[1 1 1 2 2 2]

In [63]:

print(A.shape,B.shape,D.shape)
# (3,) (3,) (6,)
# 对于A,B这种，为数组或数列，无法进行转置，需要借助其他函数进行转置
(3,) (3,) (6,)

5.2 数组转置为矩阵

In [64]:

print(A[np.newaxis,:]) # [1 1 1]变为[[1 1 1]]
[[1 1 1]]

In [65]:

print(A[np.newaxis,:].shape) # (3,)变为(1, 3)
(1, 3)

In [66]:

print(A[:,np.newaxis])
[[1]
 [1]
 [1]]

5.3 多个矩阵合并

In [67]:

# concatenate的第一个例子
print("------------")
print(A[:,np.newaxis].shape) # (3,1)
------------
(3, 1)

In [68]:

A = A[:,np.newaxis] # 数组转为矩阵
B = B[:,np.newaxis] # 数组转为矩阵

In [69]:

print(A)
[[1]
 [1]
 [1]]

In [70]:

print(B)
[[2]
 [2]
 [2]]

In [71]:

# axis=0纵向合并
C = np.concatenate((A,B,B,A),axis=0)
print(C)
[[1]
 [1]
 [1]
 [2]
 [2]
 [2]
 [2]
 [2]
 [2]
 [1]
 [1]
 [1]]

In [72]:

# axis=1横向合并
C = np.concatenate((A,B),axis=1)
print(C)
[[1 2]
 [1 2]
 [1 2]]

5.4 合并例子2

In [73]:

# concatenate的第二个例子
print("-------------")
a = np.arange(8).reshape(2,4)
b = np.arange(8).reshape(2,4)
print(a)
print(b)
print("-------------")
-------------
[[0 1 2 3]
 [4 5 6 7]]
[[0 1 2 3]
 [4 5 6 7]]
-------------

In [74]:

# axis=0多个矩阵纵向合并
c = np.concatenate((a,b),axis=0)
print(c)
[[0 1 2 3]
 [4 5 6 7]
 [0 1 2 3]
 [4 5 6 7]]

In [75]:

# axis=1多个矩阵横向合并
c = np.concatenate((a,b),axis=1)
print(c)
[[0 1 2 3 0 1 2 3]
 [4 5 6 7 4 5 6 7]]

6.Numpy array分割

6.1 构造3行4列矩阵

In [76]:

import numpy as np
A = np.arange(12).reshape((3,4))
print(A)
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

6.2 等量分割

In [77]:

# 等量分割
# 纵向分割同横向合并的axis
print(np.split(A, 2, axis=1))
[array([[0, 1],
       [4, 5],
       [8, 9]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11]])]

In [78]:

# 横向分割同纵向合并的axis
print(np.split(A,3,axis=0))
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

6.3 不等量分割

In [79]:

print(np.array_split(A,3,axis=1))
[array([[0, 1],
       [4, 5],
       [8, 9]]), array([[ 2],
       [ 6],
       [10]]), array([[ 3],
       [ 7],
       [11]])]

6.4 其他的分割方式

In [80]:

# 横向分割
print(np.vsplit(A,3)) # 等价于print(np.split(A,3,axis=0))
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

In [81]:

# 纵向分割
print(np.hsplit(A,2)) # 等价于print(np.split(A,2,axis=1))
[array([[0, 1],
       [4, 5],
       [8, 9]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11]])]

7.Numpy copy与 =

7.1 =赋值方式会带有关联性

In [82]:

import numpy as np
# `=`赋值方式会带有关联性
a = np.arange(4)
print(a) # [0 1 2 3]
[0 1 2 3]

In [83]:

b = a
c = a
d = b
a[0] = 11
print(a) # [11  1  2  3]
[11  1  2  3]

In [84]:

print(b) # [11  1  2  3]
[11  1  2  3]

In [85]:

print(c) # [11  1  2  3]
[11  1  2  3]

In [86]:

print(d) # [11  1  2  3]
[11  1  2  3]

In [87]:

print(b is a) # True
True

In [88]:

print(c is a) # True
True

In [89]:

print(d is a) # True
True

In [90]:

d[1:3] = [22,33]
print(a) # [11 22 33  3]
[11 22 33  3]

In [91]:

print(b) # [11 22 33  3]
[11 22 33  3]

In [92]:

print(c) # [11 22 33  3]
[11 22 33  3]

7.2 copy()赋值方式没有关联性

In [93]:

a = np.arange(4)
print(a) # [0 1 2 3]
[0 1 2 3]

In [94]:

b =a.copy() # deep copy
print(b) # [0 1 2 3]
[0 1 2 3]

In [95]:

a[3] = 44
print(a) # [ 0  1  2 44]
print(b) # [0 1 2 3]

# 此时a与b已经没有关联
[ 0  1  2 44]
[0 1 2 3]

8.广播机制

numpy数组间的基础运算是一对一，也就是a.shape==b.shape，但是当两者不一样的时候，就会自动触发广播机制，如下例子：

In [96]:

from numpy import array
a = array([[ 0, 0, 0],
           [10,10,10],
           [20,20,20],
           [30,30,30]])
b = array([0,1,2])
print(a+b)
[[ 0  1  2]
 [10 11 12]
 [20 21 22]
 [30 31 32]]

为什么是这个样子？

这里以tile模拟上述操作，来回到a.shape==b.shape情况！

In [97]:

# 对[0,1,2]行重复3次，列重复1次
b = np.tile([0,1,2],(4,1))
print(a+b)
[[ 0  1  2]
 [10 11 12]
 [20 21 22]
 [30 31 32]]

到这里，我们来给出一张图

也可以看这张图：

是不是任何情况都可以呢？

当然不是，只有当两个数组的trailing dimensions compatible时才会触发广播，否则报错ValueError: frames are not aligned exception。

上面表达意思是尾部维度必须兼容！

.常用函数

9.1 np.bincount()

In [98]:

x = np.array([1, 2, 3, 3, 0, 1, 4])
np.bincount(x)

Out[98]:

array([1, 2, 1, 2, 1], dtype=int64)

统计索引出现次数：索引0出现1次，1出现2次，2出现1次，3出现2次，4出现1次

因此通过bincount计算出索引出现次数如下：

上面怎么得到的？

对于bincount计算吗，bin的数量比x中最大数多1，例如x最大为4，那么bin数量为5(index从0到4)，也就会bincount输出的一维数组为5个数，bincount中的数又代表什么？代表的是它的索引值在x中出现的次数！

还是以上述x为例子，当我们设置weights参数时候，结果又是什么？

这里假定：

In [99]:

w = np.array([0.3,0.5,0.7,0.6,0.1,-0.9,1])

那么设置这个w权重后，结果为多少？

In [100]:

np.bincount(x,weights=w)

Out[100]:

array([ 0.1, -0.6,  0.5,  1.3,  1. ])

怎么计算的？

先对x与w抽取出来：

x --->  [1, 2, 3, 3, 0, 1, 4]

w ---> [0.3,0.5,0.7,0.6,0.1,-0.9,1] 索引 0 出现在x中index=4位置，那么在w中访问index=4的位置即可，w[4]=0.1

索引 1 出现在x中index=0与index=5位置，那么在w中访问index=0与index=5的位置即可，然后将两这个加和，计算得：w[0]+w[5]=-0.6 其余的按照上面的方法即可！

bincount的另外一个参数为minlength，这个参数简单，可以这么理解，当所给的bin数量多于实际从x中得到的bin数量后，后面没有访问到的设置为0即可。

还是上述x为例：

这里我们直接设置minlength=7参数，并输出！

In [101]:

np.bincount(x,weights=w,minlength=7)

Out[101]:

array([ 0.1, -0.6,  0.5,  1.3,  1. ,  0. ,  0. ])

与上面相比多了两个0，这两个怎么会多？

上面知道，这个bin数量为5，index从0到4，那么当minlength为7的时候，也就是总长为7，index从0到6，多了后面两位，直接补位为0即可！

9.2 np.argmax()

函数原型为：numpy.argmax(a, axis=None, out=None).

函数表示返回沿轴axis最大值的索引。

In [102]:

x = [[1,3,3],
     [7,5,2]]
print(np.argmax(x))
3

对于这个例子我们知道，7最大，索引位置为3(这个索引按照递增顺序)！

axis属性

axis=0表示按列操作，也就是对比当前列，找出最大值的索引！

In [103]:

x = [[1,3,3],
     [7,5,2]]
print(np.argmax(x,axis=0))
[1 1 0]

axis=1表示按行操作，也就是对比当前行，找出最大值的索引！

In [104]:

x = [[1,3,3],
     [7,5,2]]
print(np.argmax(x,axis=0))
[1 1 0]

那如果碰到重复最大元素？

返回第一个最大值索引即可！

例如：

In [105]:

x = np.array([1, 3, 2, 3, 0, 1, 0])
print(x.argmax())
1

9.3 上述合并实例

这里来融合上述两个函数，举个例子：

In [106]:

x = np.array([1, 2, 3, 3, 0, 1, 4])
print(np.argmax(np.bincount(x)))
1

最终结果为1，为什么？

首先通过np.bincount(x)得到的结果是：[1 2 1 2 1]，再根据最后的遇到重复最大值项，则返回第一个最大值的index即可！2的index为1，所以返回1。

9.4 求取精度

In [107]:

np.around([-0.6,1.2798,2.357,9.67,13], decimals=0)#取指定位置的精度

Out[107]:

array([-1.,  1.,  2., 10., 13.])

看到没，负数进位取绝对值大的！

In [108]:

np.around([1.2798,2.357,9.67,13], decimals=1)

Out[108]:

array([ 1.3,  2.4,  9.7, 13. ])

In [109]:

np.around([1.2798,2.357,9.67,13], decimals=2)

Out[109]:

array([ 1.28,  2.36,  9.67, 13.  ])

从上面可以看出，decimals表示指定保留有效数的位数，当超过5就会进位(此时包含5)！

但是，如果这个参数设置为负数，又表示什么？

In [110]:

np.around([1,2,5,6,56], decimals=-1)

Out[110]:

array([ 0,  0,  0, 10, 60])

发现没，当超过5时候(不包含5)，才会进位！-1表示看一位数进位即可，那么如果改为-2呢，那就得看两位！

In [111]:

np.around([1,2,5,50,56,190], decimals=-2)

Out[111]:

array([  0,   0,   0,   0, 100, 200])

看到没，必须看两位，超过50才会进位，190的话，就看后面两位，后两位90超过50，进位，那么为200！

计算沿指定轴第N维的离散差值

In [112]:

x = np.arange(1 , 16).reshape((3 , 5))
print(x)
[[ 1  2  3  4  5]
 [ 6  7  8  9 10]
 [11 12 13 14 15]]

In [113]:

np.diff(x,axis=1) #默认axis=1

Out[113]:

array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

In [114]:

np.diff(x,axis=0)

Out[114]:

array([[5, 5, 5, 5, 5],
       [5, 5, 5, 5, 5]])

取整

In [115]:

np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7])

Out[115]:

array([-1., -2., -1., -2.,  0.,  1.,  1.])

看到没，负数取整，跟上述的around一样，是向左！

取上限

In [116]:

np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3])

Out[116]:

array([ 2.,  2.,  2.,  3.,  2., -0., -0., -0.])

取上限！找这个小数的最大整数即可！

查找

利用np.where实现小于0的值用0填充吗，大于0的数不变！

In [117]:

x = np.array([[1, 0],
       [2, -2],
     [-2, 1]])
print(x)
[[ 1  0]
 [ 2 -2]
 [-2  1]]

In [118]:

np.where(x>0,x,0)

Out[118]:
array([[1, 0],
[2, 0],
[0, 1]])