Numpy

numpy基础运算

import numpy as np

array=np.array([[1,2,3],[2,3,4]]) # 用array将列表转化成数组

print(array) #矩阵

[[1 2 3]
 [2 3 4]]

array.ndim # 数组维度

2

array.shape #(行数，列数)

(2, 3)

array.size #元素

6

a = np.array([2,23,4], dtype=np.int64) #a的数据类型
a.dtype

dtype('int64')

a=np.array([[1,2,3],[2,3,4]])

a

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

a1 = np.zeros((3,4))
a1

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

a2 = np.ones((3,4),dtype=np.int32)
a2

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

a3 = np.empty((3,4),dtype=np.int32)
a3

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

a4=np.arange(12)
a4

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

a4=np.arange(12).reshape(3,4) #reshape设定行数和列数
a4

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

a5 = np.linspace(1,10,6)  #在[1，10)生成6段
a5

array([ 1. ,  2.8,  4.6,  6.4,  8.2, 10. ])

a5 = np.linspace(1,10,6).reshape(2,3)  #在[1，10)生成五段
a5

array([[ 1. ,  2.8,  4.6],
       [ 6.4,  8.2, 10. ]])

a = np.array([10,20,30,40])
b = np.arange(4)
a,b

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

c = a-b #数组减法
c

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

c=b**2
c

array([0, 1, 4, 9])

c=10*np.sin(a)
c

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

d1=b<3
d2=b==3
d1,d2

(array([ True,  True,  True, False]), array([False, False, False,  True]))

a=np.array([[1,1],[2,3]])
b=np.arange(4).reshape((2,2))
a,b

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

c=a*b #算数乘法
c

array([[0, 1],
       [4, 9]])

c2 = np.dot(a,b) # 矩阵乘法
print(c2)

[[ 2  4]
 [ 6 11]]

c2 = a.dot(b) #另一种乘法方式
c2

array([[ 2,  4],
       [ 6, 11]])

a = np.random.random((2,4)) #随机生产二行四列矩阵   radom模块下，random方法
a

array([[0.43285409, 0.59119159, 0.13123502, 0.26843777],
       [0.01975319, 0.89322356, 0.96109008, 0.20043348]])

np.sum(a) #求和

3.498218778049299

np.max(a) #最大值

0.9610900820034279

np.sum(a,axis=1) #axis=1行数中求和

array([1.42371846, 2.07450032])

np.sum(a,axis=0) #axis=0列数中求和

array([0.45260728, 1.48441515, 1.0923251 , 0.46887125])

axis

• axis的取值取决于数据的维度，如果数据是一维数组那么axis只有0，如果数据是二维的，那么axis可以取0和1，如果数据是三维的，那么axis就可以取0、1和2
• axis=0表示沿着列的方向，做逐行的操作
• axis=1表示沿着行的方向，做逐列的操作
• axis=0表示行就是删除行，axis=1表示列就是删除列

A = np.arange(2,14).reshape((3,4))
A

array([[ 2,  3,  4,  5],
       [ 6,  7,  8,  9],
       [10, 11, 12, 13]])

np.argmin(A) # 最小值索引

0

np.argmax(A) # 最大值索引

11

a1=np.mean(A) #求取均值
a2=A.mean()
a1
a2

7.5

a3 = np.mean(A,axis=0) #删除行，队列求均值
a3

array([6., 7., 8., 9.])

b = np.median(A) #求取中位数 
b

7.5

c = np.cumsum(A) #前n项和求法
c

array([ 2,  5,  9, 14, 20, 27, 35, 44, 54, 65, 77, 90])

d = np.diff(A) #累差，第n+1-n个数
d

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

e = np.nonzero(A) #输出非零行和非零列的索引
e

(array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64),
 array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))

A = np.arange(14,2,-1).reshape((3,4))
A

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

np.sort(A) # 逐行排序

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

np.transpose(A) #矩阵转置，行变列，列变行

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

A.T #转置另一种写法

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

(A.T).dot(A)

array([[332, 302, 272, 242],
       [302, 275, 248, 221],
       [272, 248, 224, 200],
       [242, 221, 200, 179]])

np.clip(A,5,9) #小于5的数为5，大于5的数为9，其余保留

array([[9, 9, 9, 9],
       [9, 9, 8, 7],
       [6, 5, 5, 5]])

numpy的索引

import numpy as np

A = np.arange(3,15)
A

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

A[3]

6

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

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

A[2] #索引行数

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

A[1,1] #第一行第一列

8

A[1][1] #第一行第一列，另一种表达方式

8

A[2,:]# 第2行所有数

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

A[:,1] #第一列所有数

array([ 4,  8, 12])

A[1,1:2]

array([8])

A[1,1:3]

array([8, 9])

for row in A: #迭代行
    print(row)

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

for col in A.T: #迭代列
    print(col)

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

for item in A.reshape(1,12):
    print(item)

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

A.flatten() #将二维数组转换为1维数组

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

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

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

for item in A.flat: #迭代数组元素
    print(item)

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

numpy array合并

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

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

C = np.vstack((A,B))# 上下合并
C

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

C.shape #合并数组形状

(2, 3)

D=np.hstack((A,B)) #左右合并
D

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

D.shape # 一维数组

(6,)

A[np.newaxis,:] #对一维数组在行上增加一个维度

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

A[np.newaxis,:].shape

(1, 3)

A[:,np.newaxis] #对一维数组在列上增加一个维度

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

A[:,np.newaxis].shape

(3, 1)

A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis]

A,B

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

C = np.concatenate((A,B,B,A),axis=0) #确定横纵向的合并，在这删除行
C

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

C = np.concatenate((A,B,B,A),axis=1) #确定横纵向的合并，在这删除列
C

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

numpy分割

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

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

np.split(A,2,axis=1) #对列进行分割，分成两块

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

np.split(A,3,axis=0) #对行进行分割，分成三块

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

# split只进行相等量的分割

# numpy中进行不等量的分割用np.array_split,多了一个array_

np.array_split(A,3,axis=1) #对列进行分割，分成三块

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

np.vsplit(A,3)#横向分割

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

A

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

np.hsplit(A,2)#纵向分割

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

numpy copy & deep copy

a = np.arange(4)
a

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

b=a

c=a

d=b

a[0]=11
a

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

b

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

c

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

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

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

a

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

b = a.copy() #deep copy 把a的值赋给b，但不改变b的属性

b

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

a[3]=44

b

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