数组维度变化
- numpy的基本类型是ndarray，即n维数组
- 想用ndarray进行矩阵运算，首先要保证运算对象是二维数组
- 一维数组并不等价于线性代数中的向量，它永远是一行，没有转置，如果想进行矩阵运算必须先升为二维数组：
a = a[:,None] # 方法一
a = np.expand_dims(a, axis=1) # 方法二
例如：
In [1]: import numpy as np
In [2]: a = np.array([1,2,3])
In [3]: a
Out[3]: array([1, 2, 3])
In [4]: a.T
Out[4]: array([1, 2, 3])
In [5]: a = a[:,None]
In [6]: a
Out[6]:
array([[1],
[2],
[3]])
In [7]: a.T
Out[7]: array([[1, 2, 3]])
- 二维数组进行矩阵运算不改变数组的维数，即使结果是一个向量也是二维数组
In [8]: a=np.array([[1,2,3]])
In [9]: b=a
In [10]: c=np.dot(a, b.T)
In [11]: c
Out[11]: array([[14]])
- 二维数组通过索引取出一行/列时会降维
In [14]: a=np.ones((3,3))
In [15]: a
Out[15]:
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
In [16]: a[1,:]
Out[16]: array([1., 1., 1.])
np.mean()等内置函数运算后会自动降维，否则要手动指定keepdims=True
In [17]: np.mean(a, axis=1)
Out[17]: array([1., 1., 1.])
In [18]: np.mean(a, axis=1, keepdims=True)
Out[18]:
array([[1.],
[1.],
[1.]])
- 所以在对ndarray进行运算之前先进行shape的检查是个好习惯
常用函数集锦
np.clip()np.percentile()np.indice()np.lexsort()
np.lexsort完成了这下面几步：
index: 0 1 2 3 5 6
a: 1 5 1 4 3 4 4
先根据 a 内的数据对每个元素从小到大进行排序可以得到
index_sorted_v1: 0 2 4 3 5 6 1
但是可以看到0, 2的大小同为1，3,5,6大小同为4，一般argsort的话会按照原本的顺序来拍，但这里是lexsort，并且我们有b，所以利用b内对应位置元素的大小来进行排序
b_sorted_v1: 9 0 0 4 2 1 4
index_sorted_v2: 2 0 4 6 5 3 1
这就是我们得到的结果ind。