numpy

numpy元素的属性

numpy的所有值都有以下几个属性

A = np.arange(12).reshape(3, 4).astype(np.float32)

print(A.ndim)
print(A.shape)
print(A.size)
print(A.dtype)
print(A.itemsize)

# 输出结果为
# 2
# (3, 4)
# 12
# float32
# 4

A.ndim
数组轴的个数，在python的世界中，轴的个数被称作秩

A.shape
数组的维度。

A.size
数组元素的总个数。

A.dtype
元素的数据类型。

A.itemsize
数组中每个元素的字节大小。

生成数列

指定值的增量

data = np.arange(10, 30, 5)
print(data)  # [10 15 20 25]

指定值的个数

data = np.linspace(1, 10, 5)
print(data) # [  1.     3.25   5.5    7.75  10.  ]

生成矩阵

data = np.array([[2, 3, 4], [4, 5, 6]], dtype=np.float32)
print(data)
# [[ 2.  3.  4.]
#  [ 4.  5.  6.]]

生成全是0的矩阵

data = np.zeros((3, 4))
print(data)
# [[ 0.  0.  0.  0.]
#  [ 0.  0.  0.  0.]
#  [ 0.  0.  0.  0.]]

生成全是1的矩阵

data = np.ones((3, 4))
print(data)
# [[ 1.  1.  1.  1.]
#  [ 1.  1.  1.  1.]
#  [ 1.  1.  1.  1.]]

生成随机数据

随机生成0~1之间的数

data = np.random.random()
print(data) #0.01447623686510957

随机生成指定范围内的浮点数

data = np.random.uniform(10,20)
print(data)
# 14.646829941471552

随机整数

data = np.random.randint(10,20)
print(data)
# 17

随机生成一个矩阵

data = np.random.random((3,4))
print(data)
# [[ 0.77829489  0.63959774  0.83723733  0.95292845]
#  [ 0.78949057  0.38655045  0.79205805  0.06847395]
#  [ 0.5284635   0.95181041  0.39267602  0.23638718]]

多维矩阵

data = np.random.random((2,3,4))
print(data)
# [[[ 0.36605927  0.47719931  0.16654015  0.17585629]
#   [ 0.66085507  0.09883734  0.22603851  0.91388161]
#   [ 0.33416014  0.82187631  0.91063299  0.25781208]]
# 
#  [[ 0.56585862  0.09606677  0.84916434  0.26007262]
#   [ 0.16145394  0.61120144  0.75447741  0.40179179]
#   [ 0.55887648  0.45416114  0.17644248  0.43142769]]]

合并

A = np.array([1, 1, 1])
B = np.array([2, 2, 2])
#纵向合并
print(np.vstack((A, B)))
#横向合并
print(np.hstack((A, B)))
# [[1 1 1]
#  [2 2 2]]
#
# [1 1 1 2 2 2]

增加维度

添加一个横向的维度

A = np.array([1, 1, 1])
B = A[np.newaxis, :]
print(A.shape)
print(B.shape)
print(B)
# (3,)
# (1, 3)
# [[1 1 1]]

添加一个纵向的维度

A = np.array([1, 1, 1])
B = A[:,np.newaxis]
print(A.shape)
print(B.shape)
print(B)
# (3,)
# (3, 1)
# [[1]
#  [1]
#  [1]]

分割

A = np.arange(12).reshape(3, 4)
print(A)
#横向分割
print(np.vsplit(A, 3))
#纵向分割
print(np.hsplit(A, 2))
#可以在参数中指定分割哪个坐标
print(np.split(A, 3, axis=0))
print(np.split(A, 2, axis=1))
#不等量分割
print(np.array_split(A, 3, axis=1))

深层拷贝

在numpy中直接用"="号赋值,相当于赋予的是指针,赋值前后的"两个"变量是同"一个"变量.比如,下面的变量a,b,改变a,b也会跟着变化.

a = np.array([1, 2, 3])
b = a
a[0] = 666
print(a)
print(b)
#[666   2   3]
#[666   2   3]

如果想要两个变量不关联,需要这样拷贝

b = a.copy()

运算

numpy中矩阵的加法减法的运算和普通的加减运算相同,但是矩阵乘法的运算需要用dot函数,如下

A = np.array([[2, 3],
              [4, 7]])
B = np.array([[1, 2],
              [3, 4]])
print(A + B)
print(A - B)
print(np.dot(A, B))

# [[ 3  5]
#  [ 7 11]]
#
# [[1 1]
#  [1 3]]
#
# [[11 16]
#  [25 36]]

索引与切片

numpy中的索引与切片功能比python中的切片更加强大

索引多维数组

data = np.random.random((3,4,5))
print(data[0,2,3])

 

TIM截图20171127115021.png

索引多维数组的时候也可以用切片

data = np.random.random((3,4,5))
print(data[1,:,3])
print(data[:2,:,3])