python numpy库详解

拓展博客：https://www.cnblogs.com/TensorSense/p/6795995.html

数组的统计函数：

 

>>>#sum(a,axis=None):计算和
>>>#mean(a,axis=None):计算平均值
>>>#average(a,axis=None,weights=None):加权平均数
>>>#std(a,axis=None):标准差
>>>#var(a,axis=None):方差
>>> a=np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> np.sum(a)
66
>>> np.sum(a,axis=1)
array([ 6, 22, 38])
>>> np.mean(a)
5.5
>>> np.average(a,axis=0,weights=[1,2,3])
array([ 5.33333333,  6.33333333,  7.33333333,  8.33333333])
>>> np.std(a)
3.4520525295346629
>>> np.std(a)
3.4520525295346629
>>>#------------------------------------------------------------
>>>#min(a),max(a),最小值，最大值
>>>#argmin(a),argmax(a),最小值，最大值平铺成一维的下标
>>>#unravel_index(index,shape)根据index转换成多维下标
>>>#ptp(a)最大值和最小值之差
>>>#median(a)中位数
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> np.max(a)
11
>>> np.argmax(a)
11
>>> np.unravel_index(np.argmax(a),a.shape)
(2, 3)
>>> np.median(a)
5.5
>>> np.ptp(a)
11

数组的遍历：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib

#数组元素迭代器
a=np.array([[1,2,3],[4,5,6]])
for item in a.flat:
    print(item,end='')
#输出：123456

#遍历数组的每一行
for row in a:
    print(row)
#输出：[1 2 3]
#      [4 5 6]

#遍历数组的每一列,a.T将矩阵转置
for col in a.T:
    print(col)
#输出：[1 4]
#      [2 5]
#      [3,6]

 

数组合并

import numpy as np
import matplotlib.pyplot as plt
import matplotlib

a=np.array([1,1,1])
b=np.array([2,2,2])
print(a.shape)
#给数组a增加一个行维度
print(np.shape(a[np.newaxis,:]))
print(np.shape(a[:np.newaxis]))
print(a)
print(a[np.newaxis,:])
print(a[:,np.newaxis])
#输出：(3,)
#(1, 3)
#(3,)
#[1 1 1]
#[[1 1 1]]
#[[1]
#[1]
#[1]]

#矩阵合并法一：
#verital stack,上下合并
c=np.vstack((a,b))
print(c)
#horizontal stack,左右合并
d=np.hstack((a,b))
print(d)
#输出：[[1 1 1]
#[2 2 2]]
#[1 1 1 2 2 2]


#矩阵合并法2：
A=np.array([1,1,1])[:,np.newaxis]
B=np.array([2,2,2])[:,np.newaxis]
#按照行合并
C=np.concatenate((A,B),axis=0)
print(C)
#输出：
#[[1]
#[1]
#[1]
#[2]
#[2]
#[2]]
#按照列合并
D=np.concatenate((A,B),axis=1)
print(D)
#输出：
#[[1 2]
# [1 2]
# [1 2]]

 

数组分割

import numpy as np

a=np.array([[1,2,3],[4,5,6],[7,8,9]])

#进行相等的分割,分别为横向分割和纵向分割
print(np.split(a,3,axis=0))
print(np.split(a,3,axis=1))
#输出：
#[array([[1, 2, 3]]), array([[4, 5, 6]]), array([[7, 8, 9]])]
#[array([[1],
#       [4],
#       [7]]), array([[2],
#       [5],
#       [8]]), array([[3],
#       [6],
#       [9]])]


#不相等的分割
print(np.array_split(a,2))
#输出：
#[array([[1, 2, 3],
#       [4, 5, 6]]), array([[7, 8, 9]])]


#相等的分割
print(np.vsplit(a,3))
print(np.hsplit(a,3))
#输出：
#[array([[1, 2, 3]]), array([[4, 5, 6]]), array([[7, 8, 9]])]
#[array([[1],
#       [4],
#       [7]]), array([[2],
#       [5],
#       [8]]), array([[3],
#       [6],
#       [9]])]

 

numpy的随机数函数

>>>#生成在[0,1)均匀分布的浮点数
>>> np.random.rand(3,4)
array([[ 0.44374911,  0.60026154,  0.82517151,  0.40989027],
       [ 0.05557479,  0.59598147,  0.33718659,  0.46382554],
       [ 0.45341894,  0.89121353,  0.19335915,  0.75323229]])
>>>#标准正态分布的样本值
>>> np.random.randn(3,4)
array([[ 1.20569484,  0.59492977, -0.29785485, -0.18304835],
       [-0.96979811, -0.55250456, -0.21085342, -0.1876273 ],
       [ 1.05674833, -0.10866197,  0.77556511,  1.27915748]])
>>>#随机生成确定上下限的样本值，[low，high]
>>> np.random.randint(100,200,(3,4))
array([[168, 191, 121, 136],
       [169, 112, 186, 118],
       [109, 176, 194, 178]])
>>>#-------------------------------------------------------------------
>>>#使用相同的随机数种子，可使得产生的随机数相同
>>> np.random.seed(1)
>>> np.random.rand(1,3)
array([[  4.17022005e-01,   7.20324493e-01,   1.14374817e-04]])
>>> np.random.rand(1,3)
array([[ 0.30233257,  0.14675589,  0.09233859]])
>>> np.random.seed(1)
>>> np.random.rand(1,3)
array([[  4.17022005e-01,   7.20324493e-01,   1.14374817e-04]])
>>>#-------------------------------------------------------------------
>>>#在数组的列内随机排列，改变数组
>>> a=np.random.randint(100,200,(3,4))
>>> a
array([[175, 105, 179, 164],
       [116, 101, 176, 171],
       [106, 125, 150, 120]])
>>> np.random.shuffle(a)
>>> a
array([[175, 105, 179, 164],
       [106, 125, 150, 120],
       [116, 101, 176, 171]])
>>>#在数组的列内随机排列，不改变数组
>>> np.random.permutation(a)
array([[116, 101, 176, 171],
       [106, 125, 150, 120],
       [175, 105, 179, 164]])
>>> a
array([[175, 105, 179, 164],
       [106, 125, 150, 120],
       [116, 101, 176, 171]])
>>>#从一维数组中以概率p抽取元素，形成size形状新数组，replace表示是否可以重用元素，默认为False
>>> b=np.random.randint(1,10,(6,))
>>> b
array([3, 5, 8, 8, 2, 8])
>>>#越大的数，被选取的概率越大
>>> np.random.choice(b,(2,1),p=b/np.sum(b),replace=True)
array([[8],
       [8]])
>>>#------------------------------------------------------------------
>>>#uniform(low,high,size):产生具有均匀分布的数组[low,high]
>>> np.random.uniform(0,10,(3,4))
array([[ 7.15970516,  8.02757504,  0.92800809,  5.18152549],
       [ 8.65020252,  8.29146907,  8.29603359,  2.73049974],
       [ 0.59243201,  6.7052804 ,  5.93065518,  6.71654097]])
>>>#normal(loc,scale,size):产生具有正态分布的数组，loc均值，scale标准差
>>> np.random.normal(10,5,(3,4))
array([[  3.4756938 ,   8.09712482,   6.28186495,   7.81439113],
       [  7.86774954,  16.90703652,  10.49185256,   8.15271258],
       [  3.63390025,  15.07493401,   2.59470145,   8.56450053]])
>>>#poisson(lam,size):产生具有泊松分布的数组，lam随机事件发生率，size形状

numpy数组的输出显示设置
 

# 在输出array时，会发现中间部分有省略号，不能全部的展示array的元素，此时可以进行设置展示全部元素
np.set_printoptions(threshold=np.nan)
# 让输出的小数只保留2位小数显示
np.set_printoptions(precision=2)