Numpy 操作

一、Numpy 属性

# 列表转化为矩阵

In [2]: arr = np.array([[1,2,3],[4,5,6]])
In [3]: arr
Out[3]:
array([[1, 2, 3],
       [4, 5, 6]])

1，维度 ndim

In [7]: arr.ndim
Out[7]: 2

2，行数和列数 shape

In [8]: arr.shape
Out[8]: (2, 3)

3，元素个数 size

In [8]: arr.shape
Out[8]: (2, 3)

二，创建array

1，创建数组

In [10]: arr = np.array([[1,2,3],[4,5,6]])
In [11]: arr
Out[11]:
array([[1, 2, 3],
       [4, 5, 6]])

2，创建数组并指定类型

In [12]: arr = np.array([[1,2,3],[4,5,6]],dtype=int)
In [13]: arr
Out[13]:
array([[1, 2, 3],
       [4, 5, 6]])
In [14]: arr = np.array([[1,2,3],[4,5,6]],dtype=float)
In [15]: arr
Out[15]:
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]])

3，创建数据全为0的数组  np.zero((行，列))

In [16]: arr = np.zeros((3,4))
In [17]: arr
Out[17]:
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

4，创建数据全为1的数组 np.ones((行，列))

In [18]: arr = np.ones((3,4))
In [19]: arr
Out[19]:
array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])

5，创建数组接近0的数组 np.empty((行，列))

6，按照指定范围创建数组 np.arange(开始，结束，步长)

In [24]: arr = np.arange(10,50,2)
In [25]: arr
Out[25]:
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42,
       44, 46, 48])

In [28]: arr = np.arange(10,50,2).reshape(4,5) # 通reshape改变数据形状
In [29]: arr
Out[29]:
array([[10, 12, 14, 16, 18],
       [20, 22, 24, 26, 28],
       [30, 32, 34, 36, 38],
       [40, 42, 44, 46, 48]])

7，创建线段

In [31]: np.linspace(1,20,5)
Out[31]: array([  1.  ,   5.75,  10.5 ,  15.25,  20.  ])

三，运算

In [38]: a = np.array([10,20,30,40])  # 创建a
In [39]: b = np.arange(4) # 创建b
In [40]: b-a # 相减
Out[40]: array([-10, -19, -28, -37])
In [41]: b+a # 相加
Out[41]: array([10, 21, 32, 43])
In [42]: b*a # 乘法
Out[42]: array([  0,  20,  60, 120])
In [43]: a**2 # 平方
Out[43]: array([ 100,  400,  900, 1600])

In [46]: a<11 # 判断，返回值为布尔
Out[46]: array([ True, False, False, False], dtype=bool)

In [49]: a # 创建a
Out[49]:
array([[1, 2],
       [2, 3]])
In [50]: b = np.arange(4).reshape(2,2) # 创建b
In [51]: b
Out[51]:
array([[0, 1],
       [2, 3]])
In [52]: a*b  # 对应元素相乘
Out[52]:
array([[0, 2],
       [4, 9]])
In [53]: np.dot(a,b) # 标准的矩阵乘法计算
Out[53]:
array([[ 4,  7],
       [ 6, 11]])

In [64]: a=np.random.random((2,4)) # 产生一个2行4列的矩阵，数值在0到1之间
In [65]: np.sum(a) # 矩阵的和
Out[65]: 4.4227580588680375
In [66]: np.min(a) # 矩阵的最小值
Out[66]: 0.16635521270028986
In [67]: np.max(a) # 矩阵的最大值
Out[67]: 0.78738798170221957

In [76]: a = np.arange(1,10) # 产生一个数组a
In [77]: np.argmax(a) # 数组a的最大值
Out[77]: 8
In [78]: np.argmin(a) # 数组a的最小值
Out[78]: 0
In [79]: np.mean(a)   # 数组a的平均值
Out[79]: 5.0
In [80]: np.median(a) # 数组a的中位数
Out[80]: 5.0
In [81]: np.diff(a)   # 数组中后一个元素和前一个元素的差值，新组成的一个数组
Out[81]: array([1, 1, 1, 1, 1, 1, 1, 1])
In [82]: np.cumsum(a) # 数组中，第i项和第i-1项的和赋值给i项
Out[82]: array([ 1,  3,  6, 10, 15, 21, 28, 36, 45])
In [83]: np.average(a)# 数组a的平均数
Out[83]: 5.0

In [92]: a = np.arange(10,0,-1).reshape(2,5) # 创建一个2行5列的数组a，值从10到0，每次递减一个
In [93]: a
Out[93]:
array([[10,  9,  8,  7,  6],
       [ 5,  4,  3,  2,  1]])
In [94]: np.sort(a) # 对数组的每一行进行排序
Out[94]:
array([[ 6,  7,  8,  9, 10],
       [ 1,  2,  3,  4,  5]])
In [95]: np.transpose(a) # 转置数组a
Out[95]:
array([[10,  5],
       [ 9,  4],
       [ 8,  3],
       [ 7,  2],
       [ 6,  1]])
In [96]: a.T # 转置数组a
Out[96]:
array([[10,  5],
       [ 9,  4],
       [ 8,  3],
       [ 7,  2],
       [ 6,  1]])
In [97]: np.clip(a,5,8) # 将数组中元素值比5小的值赋为5，元素值比8大的值赋为8
Out[97]:
array([[8, 8, 8, 7, 6],
       [5, 5, 5, 5, 5]])

四，通过索引取元素

In [98]: a # 数组a
Out[98]:
array([[10,  9,  8,  7,  6],
       [ 5,  4,  3,  2,  1]])
In [99]: a[0] # 取数组a的第1行
Out[99]: array([10,  9,  8,  7,  6])
In [100]: a[0][0] # 取数组a的第一行的第一个元素
Out[100]: 10
In [101]: a[0,0]  # 取数组a的第一行的第一个元素的另一种写法
Out[101]: 10
In [102]: a[0,1:3]# 取数组a的第一行的，第2列到第3列
Out[102]: array([9, 8])
In [103]: a.flatten() # 将多维的矩阵转换为一行的矩阵
Out[103]: array([10,  9,  8,  7,  6,  5,  4,  3,  2,  1])

五、合并

In [110]: a # 数组a
Out[110]: array([1, 1, 1])
In [111]: b # 数组b
Out[111]: array([2, 2, 2])
In [112]: np.vstack((a,b)) # 上下合并
Out[112]:
array([[1, 1, 1],
       [2, 2, 2]])
In [113]: np.hstack((a,b))# 左右合并
Out[113]: array([1, 1, 1, 2, 2, 2])

六、分割

1，等量分割 np.split()

1.1，按行分割

In [138]: a # 3行4列的数组a
Out[138]:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
In [139]: np.split(a,1,axis=0) # 将数组a按行进行分割，一行一组。如果此时将参数改为（a,2,axis=0）是不行的，因为是等量分割，前两行为一项，后一行为一项是不等量的
Out[139]:
[array([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])]
In [140]: np.split(a,3,axis=0)# 将数组a按行进行分割，三行一组
Out[140]: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

1.2，按列分割

In [133]: a # 3行4列的数组a
Out[133]:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
In [134]: np.split(a,2,axis=1) # 将数组a，按照列分割，2列一组。如果现在参数是（a,3,axis=1）这样是不行的，因为进行的是等量分割，前三列为一项，只剩下一项不是等量的。
Out[134]:
[array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2,  3],
        [ 6,  7],
        [10, 11]])]

2，不等量分割 np.array_split()

In [144]: a # 3行4列的数组a
Out[144]:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
In [145]: np.array_split(a,3,axis=1) # 按照列进行不等量的分割
Out[145]:
[array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2],
        [ 6],
        [10]]), array([[ 3],
        [ 7],
        [11]])]
In [146]: np.array_split(a,2,axis=0)# 按照行进行不等量的分割
Out[146]:
[array([[0, 1, 2, 3],
        [4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

3，其他分割

In [147]: np.vsplit(a,1) # 等同于np.split(a,1,axis=0)
Out[147]:
[array([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])]
In [148]: np.hsplit(a,2) # 等同于np.aplit(a,2,axis=1)
Out[148]:
[array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2,  3],
        [ 6,  7],
        [10, 11]])]

七、赋值和拷贝

In [149]: a # 创建3行4列数组a
Out[149]:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [150]: b = a # 创建数组b，将a的值赋给b

In [151]: a[0][0]=111 # 改变a[0][0]的值为111

In [152]: b[0][0]==111# 这时，b的值也会变为111
Out[152]: True

In [153]: c=b.copy()  # 创建数组c，值为b的值，通过copy的方式

　In [157]: b[0][0]=222 # 将b[0][0]的值改为222

　In [158]: c[0][0]==222# 这时，c[0][0]还是没有改变
　Out[158]: False

　In [159]: c[0][0]
　Out[159]: 111