Numpy学习笔记

Numpy学习笔记

01 前言

Numpy是高性能科学计算和数据分析的基础包

02 ndarray对象

ndarray是一种多维数组对象，其中的所有元素必须是相同类型的

ndarray对象有以下几个常用的属性：

shape 一个表示各维度大小的元组

dtype 说明数组数据类型的对象

ndim 数组轴的个数

size 数组的元素个数

03 创建ndarray

常见的创建方法有如下几种：

array() 接受一切序列行的对象生成ndarray数组

zeros() 传入一个表示形状的元组，生成全0数组

ones() 传入一个表示形状的元组，生成全1数组

empty() 传入一个表示形状的元组，生成一个没有具体指的元组

tips: zeros_like(),ones_like(),empty_like()以另一个数组为参数，创建对应数组

arange() 类似内置的arange(),生成ndarray

eye() identity() 创建一个正方的N*N单位矩阵

03 索引和切片

与列表最重要的区别在于，数组切片是原始数组的视图，视图上的任何修改都会直接反映到源数组上

若想得到数组副本而非切片，应显示使用复制操作。例如：arr1.copy()

04 数组转置

转置操作返回的是源数组的视图

数组转置有transpose方法，swapaxes方法，T属性

最常用，最简介的还是使用T属性，例如：arr.T

05 通用函数

通用函数是对ndarray数组的数据执行元素级运算的函数

下面整理一些常用的通用函数

abs 计算绝对值

sqrt 计算平方根

square 计算平方

exp 计算指数

sin|cos|tan 三角函数

arcsin|arccos|arctan 反三角函数

add 数组对应元素相加

subtract 数组对应元素相减

mutiply 数组对应元素相乘

divide 除法

06 数据处理

np.where(cond,xarr,yarr) 条件逻辑三元表达式

sum 求和

mean 算术平均数

std|var 标准差，方差

max|min 最大值，最小值

07 线性代数

x.dot(y) | np.dot(x,y) 矩阵乘法

numpy.linalg中有一组标准的矩阵分解运算以及诸如求逆和行列式之类的东西

from numpy.linalg import *

inv 计算矩阵的逆

det 计算矩阵的行列式

dot 矩阵乘法

trace 计算对角线元素的和

eig 计算特征值和特征向量

solve 解线性方程组Ax=b,A为方阵

08 结语

numpy库还有很多知识点，暂时只学了能用的一些，以后再根据需要慢慢补充！