numpy一些基础知识

In [1]:

import numpy as np

 

创建一个数组¶

In [2]:

arry1 = np.array([[1,2,3]
                ,[4,5,6]])

In [3]:

farry1

Out[3]:

array([[1, 2, 3],
       [4, 5, 6]])

 

查看数组的一些属性(维数等)¶

In [4]:

print('the dimension of arry is',arry1.ndim)

 

the dimension of arry is 2

In [5]:

print('the shape of arry is',arry1.shape)#显示(行数,列数)

 

the shape of arry is (2, 3)

In [6]:

print('the size of arry is',arry1.size) #显示有几个元素

 

the size of arry is 6

 

定义array的type¶

In [7]:

arry2 = np.array([1,2,3],dtype=np.int64)#定义为整型
print(arry2.dtype)

 

int64

 

生成0矩阵¶

In [8]:

arryzero = np.zeros((3,4))#3行4列
arryzero

Out[8]:

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

 

生成1矩阵¶

In [9]:

arrayone = np.ones((3,6))
arrayone

Out[9]:

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

In [10]:

print('the default dtype of arryone is',arrayone.dtype)

 

the default dtype of arryone is float64

 

生成空矩阵¶

In [11]:

arrayempty = np.empty((3,6))
arrayempty

Out[11]:

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

 

生成有序数组¶

In [12]:

arrayarrange = np.arange(10,20,2)

In [13]:

arrayarrange

Out[13]:

array([10, 12, 14, 16, 18])

In [14]:

arrayarrange2 = np.arange(12).reshape(3,4)#重新定义其形状
arrayarrange2

Out[14]:

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

 

生成一个线段¶

In [15]:

lines = np.linspace(0,9,10)#在0~9之间生成10段,包含终值
lines

Out[15]:

array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

In [16]:

lines.reshape((2,5))

Out[16]:

array([[0., 1., 2., 3., 4.],
       [5., 6., 7., 8., 9.]])

 

numpy的基础运算¶

 

设置¶

In [17]:

a = np.arange(10,50,10)
b = np.arange(4)
a,b

Out[17]:

(array([10, 20, 30, 40]), array([0, 1, 2, 3]))

In [18]:

c = a-b
c

Out[18]:

array([10, 19, 28, 37])

In [19]:

c = a+b
c

Out[19]:

array([10, 21, 32, 43])

In [20]:

c = b**2
c#每个元素都平方

Out[20]:

array([0, 1, 4, 9], dtype=int32)

 

三角函数的运算¶

In [21]:

c = 10*np.sin(a)#a中每一个值都代入sin中再*10
c

Out[21]:

array([-5.44021111,  9.12945251, -9.88031624,  7.4511316 ])

 

矩阵中的布尔运算¶

In [22]:

print(b<3) #生成布尔列表,看哪个数小于3

 

[ True  True  True False]

 

乘法运算¶

In [23]:

d = np.array([[10,10]
              ,[10,10]])
e = np.arange(4).reshape(2,2)
d,e

Out[23]:

(array([[10, 10],
        [10, 10]]), array([[0, 1],
        [2, 3]]))

In [24]:

f = d*e#逐个相乘
f

Out[24]:

array([[ 0, 10],
       [20, 30]])

In [25]:

f = np.dot(d,e)#等同于d.dot(e)
f

Out[25]:

array([[20, 40],
       [20, 40]])

 

随机矩阵¶

In [26]:

g = np.random.random((3,2))#生成一个随机的数列,()里面为一个shape
g

Out[26]:

array([[0.05466126, 0.31259655],
       [0.14907873, 0.36597221],
       [0.16032719, 0.30097574]])

 

一些内置函数¶

 

数组求和(里面所有数加起来)¶

In [27]:

g = np.sum(f)
g

Out[27]:

120

In [28]:

g = np.sum(f,axis=0)#每一列加起来 axis=1为每一行加起来的值
g

Out[28]:

array([40, 80])

 

最大值和最小值¶

In [29]:

np.max(f),np.min(f)

Out[29]:

(40, 20)

In [30]:

np.max(f,axis=0)#每一行的最大值

Out[30]:

array([20, 40])

In [77]:

np.max(f,axis=1)#每一列的最大值

Out[77]:

array([40, 40])

 

索引¶

 

一维¶

In [31]:

A = np.arange(3,15)
A

Out[31]:

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

In [32]:

A[3]

Out[32]:

6

 

二维¶

In [33]:

A = np.arange(3,15).reshape(3,4)
A

Out[33]:

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

In [34]:

A[2]#第三行

Out[34]:

array([11, 12, 13, 14])

In [35]:

A[1][1]#第二行的第二个,等价于A[1,1]

Out[35]:

8

In [36]:

A[2,:]#:代表所有数,这个代表第三行所有数.

Out[36]:

array([11, 12, 13, 14])

In [37]:

A[:,1]# 第二列的所有数

Out[37]:

array([ 4,  8, 12])

In [38]:

A[1,1:]# 第二行,索引值为1~末端的值

Out[38]:

array([ 8,  9, 10])

 

有关迭代¶

In [39]:

for row in A:
    print(row)#默认按行迭代

 

[3 4 5 6]
[ 7  8  9 10]
[11 12 13 14]

In [40]:

for column in A.T:#T代表转置矩阵
    print(column)

 

[ 3  7 11]
[ 4  8 12]
[ 5  9 13]
[ 6 10 14]

In [41]:

for item in A.flat:#.flat把多维数组压成一维的.返回的是一个迭代器
    print(item)

 

3
4
5
6
7
8
9
10
11
12
13
14

In [42]:

A.flatten()#返回一个一维数组

Out[42]:

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

 

array的合并¶

In [60]:

A = np.ones((1,3))
B = np.array([2,2,2])
A,B

Out[60]:

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

 

上下合并¶

In [44]:

E = np.vstack((A,B,B,B))#vertical stack
E

Out[44]:

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

 

增维操作¶

In [45]:

print(B.T.shape)#没有转置,缺少维度

 

(3,)

In [50]:

C = B[:,np.newaxis]#在列上增了一维
print(C,C.shape)

 

[[2]
 [2]
 [2]] (3, 1)

In [62]:

D = B[np.newaxis,:]#在行上增了一维
B = D
print(D,D.shape)

 

[[2 2 2]] (1, 3)

In [63]:

B

Out[63]:

array([[2, 2, 2]])

 

左右合并¶

In [64]:

print(np.hstack((B,A)))#horizontal stack

 

[[2. 2. 2. 1. 1. 1.]]

In [65]:

C = np.concatenate((A,B,B),axis=0)#可以要求在哪一个维度合并,axis=0 为上下合并
C

Out[65]:

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

 

数列分割¶

 

等分割¶

In [66]:

print(np.split(C,3,axis=0)) #(array,split_section,axis=)

 

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

 

不等分割¶

In [67]:

print(np.array_split(C,4,axis=0))

 

[array([[1., 1., 1.]]), array([[2., 2., 2.]]), array([[2., 2., 2.]]), array([], shape=(0, 3), dtype=float64)]

In [68]:

print(np.vsplit(E,2))

 

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

In [69]:

print(np.hsplit(E,3))

 

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

 

copy 和 deep copy¶

In [70]:

a = np.arange(4)
b = a
c = a
d = b

In [71]:

a[0] = 11
a

Out[71]:

array([11,  1,  2,  3])

In [72]:

b#都变成11

Out[72]:

array([11,  1,  2,  3])

In [73]:

d

Out[73]:

array([11,  1,  2,  3])

In [74]:

d [1:3] = [22,33]
d

Out[74]:

array([11, 22, 33,  3])

In [ ]:

a#指针指向的内存地址一样,要变就一起变了

In [75]:

b = a.copy() #deep copy
a[3] = 44
b#最后一个没变44

Out[75]:

array([11, 22, 33,  3])

In [76]:

a

Out[76]:

array([11, 22, 33, 44])