import numpy as np np.__version__ #版本 #由于python的list不要求存储同样的类型，但是效率不高。 L = [i for i in range(10)] L[5] = "Asuka" #而调用array的效率相比更好，但是它没有将数据当做向量或者矩阵，不支持基本运算，会报错。 #建议用numpy中的array，array是numpy中最核心的结构。 nparr = np.array([i for i in range(10)]) nparr[5] = 100.0 #单纯赋值无法修改整体的dtype nparr.dtype #数据类型改变数据类型 nparr2 = np.array([1, 2, 3.0]) #有一个为float类型，整体即float类型 nparr2.dtype #修改数据类型 nparr2 = nparr2.astype('int') #转为int np.zeros(10) #0向量 np.zeros(10, dtype=float) np.zeros((3, 5)) #0矩阵 np.zeros(shape=(3, 5), dtype=int) np.ones(10) #单位向量 np.ones((3, 5)) #单位矩阵 np.full((3, 5), 666) #填充666 np.full(fill_value=666, shape=(3, 5)) np.arange(0, 20, 2) # 2为step，而且与range相比，是可以用小数的 np.arange(0,10,1.5) np.linspace(0, 20, 11) #等分 np.random.randint(0, 10) #0~10之间的随机数 np.random.randint(0, 10, size=10) #长度为10的向量 np.random.randint(0, 10, size=(3,5)) #矩阵 np.random.seed(666) #随机种子，再次调用时会产生相同的随机数 np.random.random() #返回在[0.0，1.0]之间的随机浮点数 np.random.random((3,5)) np.random.normal() #均值为0，方差为1，符合正态分布的一个数 np.random.normal(10, 100) #均值为10，方差为100 np.random.normal(0, 1, (3, 5)) # 查询操作 ① np.random.normal? ② help(np.random.normal) X = np.arange(15).reshape((3, 5)) X.ndim #维度 X.shape #形状 X.size #大小 X[:2, :3] X[:2][:3] # 与前者结果不同，在numpy中使用","做多维索引 X[:2, ::2] X[::-1, ::-1] subX = X[:2, :3].copy() #副本，数据的变动不会影响原始数据 X.reshape(5, 3) #换形状 X.reshape(3, -1) X.reshape(5, -1) # 向量合并 x = np.array([1, 2, 3]) y = np.array([3, 2, 1]) z = np.array([666, 666, 666]) np.concatenate([x, y, z]) # 矩阵合并 A = np.array([[1, 2, 3],[4, 5, 6]]) np.concatenate([A, A]) # 纵向合并 np.concatenate([A, A], axis=1) #横向合并 # 但是，concatenate是无法直接对向量和矩阵进行合并的，要讲向量转成矩阵在合并，如下： np.concatenate([A, z.reshape(1, -1)]) # 这里顺便补充一下矩阵转向量的操作： A.ravel() # numpy提供了更便捷的vstack与hstack直接进行垂直or水平合并 np.vstack([A, z]) B = np.full((2,2), 100) np.hstack([A, B]) # 向量分割 x = np.arange(10) x1, x2 = np.split(x, [5]) # 01234|56789 x1, x2, x3 = np.split(x, [3, 7]) # 012|3456|789 # 矩阵分割 A = np.arange(16).reshape((4, 4)) A1, A2 = np.split(A, [2]) #垂直方向 A1, A2 = np.split(A, [2], axis=1) #水平方向 #当然，numpy也提供了直接分割的方法：vsplit/hsplit upper, lower = np.vsplit(A, [2]). left, right = np.hsplit(A, [2]) #每个数都乘2 import numpy as np L = np.arange(10) %%time A = np.array(2*e for e in L) #11ms %%time A = 2 * L #大概3ms的亚子，这样快 X = np.arange(1, 16).reshape((3, 5)) X + 1 #全部元素+1，减乘除同理 X // 2 #除且取整 X ** 2 #平方 X % 2 #取模 1 / X #倒数 np.abs(X) #绝对值 np.exp(X) #exp np.exp2(X) #以2为底，X为幂 np.power(3, X) #以3为底，X为幂 np.log(X) #lnx np.log2(X) np.log10(X) # 矩阵运算 A = np.arange(4).reshape(2, 2) B = np.full((2, 2), 10) A * B # 对应位置的元素相乘 A.dot(B) # 矩阵乘法 A.T # 转置 invA = np.linalg.inv(A) #逆矩阵 invA.dot(A) #原矩阵*逆矩阵=单位阵，前提是方阵，如果不是方阵，则error # 对于非方阵，需要提及伪逆，即非方阵的求逆 X = np.arange(16).reshape((2, 8)) pinvX = np.linalg.pinv(X) X.dot(pinvX) # 向量与矩阵的运算 v = np.array([1, 2]) A = np.arange(4).reshape(2, 2) v + A #每一行都加上v，其内在机理是 np.vstack([v] * A.shape[0]) + A np.tile(v, (2, 1)) + A #也可这么写，可以称之为扩展操作。 np.tile(v, (2, 2)) v * A # 对应位置的元素相乘 v.dot(A) #1×2的v与2×2的A相乘 A.dot(v) #2×2的A和转置后2×1的v相乘 # 聚合函数 import numpy as np X = np.arange(16).reshape(4,-1) np.sum(X) #求和 np.sum(X, axis=0) #按列求和 np.sum(X, axis=1) #按行求和 np.prod(X) # X中各元素乘积 np.mean(X) #均值 np.median(X) #中位数 big_array = np.random.rand(1000000) np.percentile(big_array, q=50) #百分位数 for percent in [0, 25, 50, 75, 100]: #打印四分位数 print(np.percentile(big_array, q=percent)) np.var(big_array) #方差 np.std(big_array) #标准差 x = np.random.normal(0, 1, 1000000) #正态分布 np.mean(x) np.std(x) np.argmin(x) #最小值的索引 np.argmax(x) #最大值的索引 x = np.arange(16) np.random.shuffle(x) #乱序 np.sort(x) #排序，但是x并未改变 x.sort() #排序 np.argsort(x) # 排序索引 np.partition(x, 3) #对指定的标准点3的两侧分别进行排序 np.argpartition(x, 3) #对指定的标准点3的两侧分别进行排序的索引 #对于矩阵 X = np.random.randint(10, size=(4,4)) np.argsort(X, axis=1) #水平方向的排序的索引 np.argpartition(X, 2, axis=1) #带标准点2的水平方向的排序的索引 #判断 import numpy as np x = np.arange(16) np.random.shuffle(x) np.count_nonzero( x <= 3) #统计满足条件的元素数 np.sum(x <= 3) #统计满足条件的元素数 np.sum((x > 3) & (x < 10)) #不能是&& np.sum((x % 2 == 0) | (x > 10)) #统计满足条件的元素数 np.sum(~(x == 0)) #统计满足条件的元素数 np.any(x == 0) np.any(x < 0) np.all(x > 0) np.all(x >= 0) X = x.reshape(4, -1) np.all(X > 0, axis=1) np.sum(X % 2 == 0, axis=0) np.sum(X % 2 == 0, axis=1)
此外，补充一些关于复制以及广播的知识叭。
复制的话，上面的代码中，我们用到了一个copy()，这个正经点称之为深复制，通过这种方式，我们创建副本。当然，除了copy()以外，和复制相关的还有两种操作：赋值引用(即无复制)、view()(视图，也称为浅复制)
这三者之中，
赋值引用，不会创建数组对象的副本，一个数组的任何变化都会反映到另一个数组上。
import numpy as np #无复制 不会创建数组对象的副本，一个数组的任何变化都会反映到另一个数组上 a = np.arange(6) print('我们的数组a是：') print(a) print('调用 id() 函数：') print(id(a)) print('赋值引用操作，得到b为：') b = a print(b) print('b拥有相同id()：') # 使用与原始数组相同的id print(id(b)) print('修改b的形状：') b.shape = 3,2 print(b) print('a的形状也改变了：') print(a)
view()创建视图，新数据的维数更改不会更改原始数据的维数，但是数组的切片会影响原始数据。
# 浅复制与视图 新数据的维数更改不会更改原始数据的维数 # 最开始a是个 3X2 的数组 a = np.arange(6).reshape(3,2) print('数组 a：' ) print(a) print('创建a的视图：' ) b = a.view() print(b) print('两个数组的 id() 不同：') print('a的id()：') print(id(a)) print('b的id()：') print(id(b)) # 修改b的形状，并不会修改a b.shape = 2,3 print('b的形状：') print(b) print('a的形状：') print(a) # 但是数组的切片也会创建视图 a = np.array([[10,10], [2,3], [4,5]]) print('我们的数组：') print(a) print('创建切片：') s = a[:, :2] print(s)
copy()创建副本，是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置。
# 深复制 深复制创建的副本是数组及其数据的完整副本，不与原始数组共享 a = np.array([[10,10], [2,3], [4,5]]) print('数组a：') print(a) print('创建a的深层副本：') b = a.copy() print('数组b：') print(b) # b与a不共享任何内容 print('我们能够写入b来写入a吗？') print(b is a) print('修改b的内容：') b[0,0] = 100 print('修改后的数组b：') print(b) print('a 保持不变：') print(a)
广播(Broadcasting)可以解决不同形状的矩阵(或向量)之间的运算问题。因为在运算的过程中，不同形状的矩阵(或向量)之间无法进行基本运算，但是在numpy中,是比较宽容的，只要满足一般规则，这个运算的允许的。
import numpy as np A = np.array([[1, 2, 3], [4, 5, 6]]) b = np.array([1, 2, 3]) C = A + b C
如此例，二维数组和一维数组相加时，二维上进行了两次加运算。
广播的原则：整体而言，两个不同形状的矩阵（或者向量）进行基本运算，看两个矩阵（或者向量）的倒序维数。如果倒序维数是一致的，则“小矩阵”经过复制扩展，和“大矩阵”进行基本运算。
但是，像下面这样的，b无法broadcasting后和A进行运算，会报错的。
