目录##
掌握numpy(一)
掌握numpy(二)
掌握numpy(三)
掌握numpy(四)
统计功能##
前面都是介绍numpy的一些特性，被称为数学运算神器怎么能少了统计功能呢
ndarray的方法###
a = np.array([[-2.5, 3.1, 7], [10, 11, 12]])
>>print "mean =", a.mean()
mean = 6.76666666667
上面mean没有指定参数，是将ndarray中得所有值相加，求得均值
>>a.mean(axis=1) #按行求均值
array([ 2.53, 11. ])
>>a.mean(axis=0) #按列求均值
array([ 3.75, 7.05, 9.5 ])
上面数据是2维的，如果是多维度的怎么办呢？
a = np.arange(24).reshape(2,3,4)
>>a
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
>>a.sum(axis=0)
array([[12, 14, 16, 18],# 12=(0+12)
[20, 22, 24, 26],#20=(4+16)
[28, 30, 32, 34]])
>>a.sum(axis=1),
array([[12, 15, 18, 21],#12=（0+4+8）
[48, 51, 54, 57]])
>>a.sum(axis=(0,2))
array([ 60, 92, 124])#60=(0+1+2+3 + 12+14+15+16+18)
下面是一些常用得数值统计方法
for func in (a.min,a.max,a.prod,a.std,a.var):
>> print func.__name__ ,"=",func()
min = -2.5
max = 12.0
prod = -71610.0 #内积
std = 5.08483584352
var = 25.8555555556
数值运算方法###
NumPy还 提供了许多常用的数值运算方法，像数值运算中的绝对值、三角和函数、对数等等。这些方法都是element-wise。
a = np.array([[-2.5, 3.1, 7], [10, 11, 12]])
for func in (np.abs, np.sqrt, np.exp, np.log, np.sign, np.ceil, np.modf, np.isnan, np.cos):
print"
", func.__name__
>>print(func(a))
absolute #绝对值
[[ 2.5 3.1 7. ]
[ 10. 11. 12. ]]
sqrt
[[ nan 1.76068169 2.64575131] #不满足运算法则的返回nan
[ 3.16227766 3.31662479 3.46410162]]
exp
[[ 8.20849986e-02 2.21979513e+01 1.09663316e+03]
[ 2.20264658e+04 5.98741417e+04 1.62754791e+05]]
log
[[ nan 1.13140211 1.94591015]
[ 2.30258509 2.39789527 2.48490665]]
sign
[[-1. 1. 1.]
[ 1. 1. 1.]]
ceil #向上取整
[[ -2. 4. 7.]
[ 10. 11. 12.]]
modf #返回的为一个元组=>（小数部分，整数部分）
(array([[-0.5, 0.1, 0. ],
[ 0. , 0. , 0. ]]), array([[ -2., 3., 7.],
[ 10., 11., 12.]]))
isnan
[[False False False]
[False False False]]
cos
[[-0.80114362 -0.99913515 0.75390225]
[-0.83907153 0.0044257 0.84385396]]
数组的index##
一维数组###
ndarray有着python原生数组的所有特性,例如切片(slice)
a=np.arange(9)
>>a
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>a[2:5]
array([2, 3, 4])
>>a[2:-1]
array([2, 3, 4, 5, 6, 7])
>>a[:2]
array([0, 1])
>>a[::-1]
array([8, 7, 6, 5, 4, 3, 2, 1, 0])
当然还有原生数组没有的特性
a[2:5]=-1
>>a
array([ 0, 1, -1, -1, -1, 5, 6, 7, 8])
有几点需要注意的
- 1.不能用以下方式增长或者缩减ndarray数组
try:
a[2:5] = [1,2,3,4,5,6] # too long
except ValueError as e:
>>print(e)
cannot copy sequence with size 6 to array axis with dimension 3
- 2.不能删除ndarray数组元素 #原生数组可以
try:
del a[2:5]
except ValueError as e:
>>print(e)
ValueError: cannot delete array elements
- 3.修改切片数组的内容，原始数组值也发生变化
b = a[3:5]
b[0] = 999
>>b
array([999, 4])
>>a
array([ 0, 1, 2, 999, 4, 5, 6, 7, 8])
如果确定要拷贝数值，可以使用copy方法
b = a[3:5].copy()
b[0] = 999
>>a
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
b
>>array([999, 4])
多维数组###
多维的ndarray有许多神奇的方法
b = np.arange(24).reshape(4, 6)
>>b
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
>>b[1,1] #等价与b[1][1]
7
>>b[1,:]#第一行的所有元素
array([ 6, 7, 8, 9, 10, 11])
>>b[:,1]#第一列的所有元素
array([ 1, 7, 13, 19])
注意：下面的两种写法的不同
>>b[1,:]
array([ 6, 7, 8, 9, 10, 11]) # (6L,)
>>b[1:2,:]
array([[ 6, 7, 8, 9, 10, 11]])#(1L, 6L)
如果我只想要多维度数组中的第一行和最后一行/列呢？
>>b[(0,-1),:]
array([[ 0, 1, 2, 3, 4, 5],
[18, 19, 20, 21, 22, 23]])
上面的写法等价于
index = np.array([True,False,False,True])
>>b[index,:]
array([[ 0, 1, 2, 3, 4, 5],
[18, 19, 20, 21, 22, 23]])
np.ix_###
上面学习了那么多的知识，我们来要给小测验：数组b中第1行和第3行中第4和第6列的元素([[3,5],[15,17]])该怎么表示呢？
我猜你会这么写
>>b[(0,2),(3,5)]
array([ 3, 17])
>>b[[0,2],[3,5]]
array([ 3, 17])
上面的结果显然不是我们想要的，那么正确的写法是什么呢？这时候就需要ix_方法
index = np.ix_([0,2],[3,5])
>>index
(array([[0],
[2]]), array([[3, 5]]))
>>b[index]
array([[ 3, 5],
[15, 17]])
ndarray的遍历##
对数组的遍历是我们经常用的操作，对于numpy数组该由如何遍历呢？
接着使用上面的数组b,
for i in b:
>>print 'row:',i
row: [0 1 2 3 4 5]
row: [ 6 7 8 9 10 11]
row: [12 13 14 15 16 17]
row: [18 19 20 21 22 23]
如果想要遍历所有的元素呢
for i in b.flat:
>>print 'Element:',i
Element: 0
Element: 1
Element: 2
....
Element: 21
Element: 22
Element: 23