numpy 学习总结
作者：csj
更新时间:01.09
email:59888745@qq.com
说明：因内容较多，会不断更新 xxx学习总结；
回主目录：2017 年学习记录和总结
#生成数组/使用astype/取值和赋值/ 数学运算 / 内置的创建数组的函数/ 文件输入输出
# Numpy是Python语言的一个library numpy
# Numpy主要支持矩阵操作和运算
# Numpy非常高效，core代码由C语言写成
# pandas也是基于Numpy构建的一个library
# 现在比较流行的机器学习框架（例如Tensorflow/PyTorch等等），语法都与Numpy比较接近
import numpy as np
## 数组简介和数组的构造(ndarray)
##生成数组时可以指定数据类型，如果不指定numpy会自动匹配合适的类型
# np1 = np.array([1,2,3],datetype=np.float64)
#np1.datatype
##使用astype复制数组并转换数据类型
# np1 = np.array([1,2,3])
#np2=np1.astype(np.float64)
##使用astype将float转换为int时小数部分被舍弃
# np1 = np.array([1.2,2.1,3.3])
#np2_int=np1.astype(np.int)
##Array indexing/数组取值和赋值 在两个维度上分别按照[:2]和[1:3]进行切片，取需要的部分
# a =np.array([[1,2,3],[4,5,6]])
# b =a[:2,1:3] #row,clo
# b
##用dtype来看numpy数组中元素的类型:
#b.dtype
##数组取值和赋值
# np1 = np.array([1,2,3])
# np1 = np.array([1,2,3],datetype=np.float64)
#np1.datatype
# np1.shape
# np1[0]
# np2=np.array([[1,2,3],[4,5,6]])
# np2
# np2[0,1]
##内置的创建数组的函数
# np1 = np.zeros((3,3))
# np1
# np2 = np.ones((3,3))
# np2
# np3=np.full((3,3),0)
# np3
# np4=np.eye(3,3) # 对角矩阵（对角元素为1）
# np4
# np5=np.random.random((3,3)) # 3row,3 col矩阵
# np5
# np6=np.empty((2,3,3)) # 2 ge 3row,3 col矩阵
# np6
# np7=np.arange(15) #arrar 0--14
# np7
## 数学运算
#x = np.array([[1,2,3],[4,5,6]],dtype=np.int32)
#y = np.array([[1,1,1],[1,1,1]],dtype=np.int32)
# z =x+y
# z=np.add(x,y)
#z =x-y
# z=np.subtract(x,y)
# z
# z=x / y #np.divide(x,y)
# z
# z=x * y #np.multiply(x,y)
# z
# z=np.sqrt(x)
# z
# v=np.array([1,2])
# m=np.array([3,4])
# k= v.dot(m) #求向量内积np.dot(v,m)
# k
# v=np.array([1,2])
# m=np.array([3,4])
# k= v.dot(m) #矩阵的乘法
# k
##转置和数学公式一样,1维的vector转置还是自己
# x.T
# arr = np.arange(16).reshape((2, 2, 4))
# [[[ 0 1 2 3]
# [ 4 5 6 7]]
# [[ 8 9 10 11]
# [12 13 14 15]]]
# print(arr.transpose((1,0,2)))
# [[[ 0 1 2 3]
# [ 8 9 10 11]]
# [[ 4 5 6 7]
# [12 13 14 15]]]
# print(arr.swapaxes(1,2))
# [[[ 0 4]
# [ 1 5]
# [ 2 6]
# [ 3 7]]
# [[ 8 12]
# [ 9 13]
# [10 14]
# [11 15]]]
#x = np.array([[1,2],[3,4]])
#print(np.sum(x)) # 数组/矩阵中所有元素求和; prints "10"
#print(np.sum(x, axis=0)) # 按行去求和; prints "[4 6]"
#print(np.sum(x, axis=1)) # 按列去求和; prints "[3 7]"
## broadcasting 逐元素运算了
##给x的每一行都逐元素加上一个向量，然后生成y
## 逻辑运算
# x_arr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])
# y_arr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
# cond = np.array([True, False, True, True, False])
print(np.where(cond, x_arr, y_arr)) # is true get x col,is false get x col value
## 数组高级操作
##numpy可以很容易地把一维数组转成二维数组，三维数组。
# arr = np.arange(8)
# arr
# print("(4,2):", arr.reshape((4,2)))
# print("(2,2,2):", arr.reshape((2,2,2)))
## ar.ravel() #高维数组可以用ravel来拉平一维数组
##连接两个二维数组 np.concatenate
#np.concatenate([arr1, arr2], axis = 0)) # 按行连接
#np.concatenate([arr1, arr2], axis = 1)) # 按列连接
##拆分数组
first, second, third = np.split(arr, [1,3], axis = 0) #按row 拆分
first, second, third = np.split(arr, [1,3], axis = 1) #按col 拆分
## r_ 用于按行堆叠 相当于row append()
np.r_[arr1, arr2]
## c_用于按列堆叠 相当于col append()
np.c_[np.r_[arr1, arr2], arr]
## 按元素重复
arr = np.arange(3)
print(arr.repeat(3))
print(arr.repeat([2,3,4]))
[0 0 0 1 1 1 2 2 2]
[0 0 1 1 1 2 2