python——numpy基本用法学习笔记

生成数组

# N维数组对象——ndarray
data = np.random.randn(n, m)	# 随机生成（n，m）维数组
arr = np.array()				# array函数可以接受任意序列型对象
np.zeros(n)						# 生成长达n*1维数字为0的数组
np.zeros((n, m))				# 生成长达n*m维数字为0的数组
np.empty((2, 3, 2))				# 生成2*3*2的数字为0的数组
np.ones(n)						# 这是数字为1的
np.full((n,m),x)				# 创建一个由常数填充的数组,第一个参数是数组的形状，第二个参数是数组中填充的常数。
np.eye(n)						# 创建单位矩阵，函数中的参数n，则创建n * n的单位矩阵
np.arange(15)					# 生成从0到14的数组
np.arange(0, 10, 1)				# 开始，结束，间隔
np.asarray()					# asarray()将输入的转为ndarray
np.full_like(data,1)			# 生成一个和data形状一样但是数值是指定的数组
# 类似的ones_like(data)，zeros_like(data)，empty_like(data)	

数组基本信息

data.shape	# 返回（2，3），即数组各个维度的大小
data.ndim	# 返回2，即数组有几个维度
data.dtype	# 数组的数据类型

数组修改

data.astype(np.float64)			# 改变数组的数据类型
data.reshape((2,3))				# 把data数组分成2行3列的形状
np.meshgrid(data,data)			# 拼接

切片：数组的切片是原数组的视图，也就是说并不是复制，在视图上的修改意味着在原数组的修改。如果想要复制就arr[3:5].copy()，[3:5]是左闭右开的哦！

# 多种切片操作
arr[6:8]	# 最基本的一位
# 假设arr2是一个3*3数组
arr2[:2] == arr2[:2, :]	# 前两行，全部列
arr2[:2, 1:]# 前两行，后两列
arr2[2, 1:]	# 选第3行，后两列

数组操作

可以成批操作无需for循环，这种特性称为向量化，等尺寸数组之间都可以逐元素进行操作。

1. 矩阵操作

• 基本运算

data*10, 1/data		# 标量计算会把计算参数传给每一个元素进行操作
data*data
data+data
data-data
data>=data			# 同尺寸数组可以比较返回一个bool类型数组
np.dot(data.T, data)# 点乘, ==data@data

• 线性代数

np.dot(data.T, data)# 点乘, ==data@data
# 下面是矩阵分解的操作
from numpy.linalg import inv, det, eig, solve
inv(arr)	# 求逆矩阵，如果numpy.linalg.LinAlgError: Singular matrix说明不可逆
det(arr)		# 求举证的行列数
eig(arr)		# 求方阵的特征值和特征向量
solve(A,B)	# 求解x的线性系统Ax = B

np.diag(arr)	# arr是方阵则返回对角线元素的一维数组,arr是一维数组则会返回由一维数组形成对角线的对角矩阵。 
np.trace(arr)	# 求arr的对角元素之和

• 转置

data.T     			# 转置
transpose()
swapaxes()

对于高维数组，可以使用transpose()用于换轴

arr = np.arange(16).reshape((2, 2, 4))
print(arr.transpose((1, 0, 2)))	# 0表示x轴，1 表示y轴，2表示z轴，这里x与y转置

三维数组可以想象为小区，我们创建的arr数组是一个两栋房子，每栋两层，每层四户人家的小区。x与y进行转置，那么对角线上的不动，1栋的2层与2栋的1层交换。

换一种方式理解：

1. z轴不变，那么我们把z轴的[…]数据变成一个数，例如：[0,1,2,3]->0。
2. 改变之后的数组就从三维变成二维。[[0,1],[2,3]]，那就是简单的x，y轴转置了。0，3不变，1，2交换。
   
   对于高维操作还有swapaxes(1,2)接受一对轴编号作为参数，这里就是y和z轴进行转置操作了。
   

2. 基本索引

这种数组子集的选择也是返回数组的视图，如果不想改变原数组记得old= x[0].copy()

# 二维数组索引操作arr[0][1] == arr[0,1]，不细说了
# 三维
import numpy as np

x = np.arange(12)
x = x.reshape((2, 2, 3))
# 理解：最外面[]分为两个, 次[]两个, 最里面的数据[]三个
print(x)
print(x[0])
# 理解，相当于把最外层[]去掉，留下第一套嵌套[[]]
old = x[0]
old[0] = 24
print(x)
print(old)

3. 布尔索引

之前提到过data>=data会返回一个bool类型的数组，其实这串数组还可以成为索引。布尔索引经常用在数组中找某个特定数值，再计数。

1. 基本用法

import numpy as np
x = np.arange(12)
y = np.full_like(x, 6)
print(x, y)
print(x[x > y])     # == print(x[x > 6])
print(x[x == y], x[x == y].size)
# !=, ~, |, & 都是可以的

注意：布尔数组必须与数组轴索引的长度一致，虽然python不会报错，但是你绝对不想它出现意想不到的错误吧。

2. 数据切片

import numpy as np

x = np.random.randn(2, 4)
y = np.array([1, 2])
print(x[y > 1])
print(x[y > 1, 2])	 # 对得到的数据进行切片, 前面是行后面是列

3. bool索引选择的数组子集是生成了数据的拷贝。

import numpy as np
x = np.random.randn(2, 4)
y = np.array([1, 2])
old = x[y > 1]
old[0][1] = 0
print(x)
print(old)

4. 神奇索引

使用整数数组进行数据索引。
有什么用呢？当我想要索引数组的数据：

1. 不是等间隔索引，而是随机选取其中的数据；
2. 索引得到的数据的顺序和原数组的顺序不一定一样，想按照自己希望的排序时。

import numpy as np

x = np.empty((8, 4))
for i in range(8):
    x[i] = i
# print(x)
print(x[[4, 3, 0, 6]])
# print(x[[4, 3, 0, 6],[0, 3, 1, 2]])	# 返回元素位于(4,0),(3,3),(0,1),(6,2)的数据
# print(x[[4, 3, 0, 6]][:,[0, 3, 1, 2]])# 先生气索引得到行，在切片：行全选，列又进行索引

y = np.random.randn(8)
print(y)
print(y[[-4, 2, 1]])     # 不管是数组是一维还是两维都需要[[]]包裹索引

注意：神奇索引得到数据的拷贝

5. 逐元素操作

参考逐元素操作表：https://blog.csdn.net/weixin_42029733/article/details/89064962

6. 条件逻辑

numpy.where()是三元表达式 x if condition else y的向量化版本。

result = np.where(cond, x, y)	# 二三参数不一定需要数组，也可以是标量

7. 数值统计

arr.mean(axis=1)	# 列与列之间相加求平均
arr.sum(axis=0)		# 行与行之间求和
arr.cumsum()		# 累加，前1个相加，前两个相加...，多维也可以用axis
arr.cumprod()		# 累乘，前1个相乘，前两个相乘...，多维也可以用axis
# srd()标准差,var()方差,min()最小值,max()最大值,argmin()最小值位置,argmax()最大值位置
# 针对布尔值的数组
arr.sum()		# 求正数个数
arr.any()		# 检查数组是否有True,返回bool
arr.all()		# 检查数组是否都是True,返回bool
arr.sort(1)		# 排序，列与列之间排序。1 == axis=1。默认从小到大，而且返回的是数组的拷贝

8. 针对一维数组的集合操作

np.unique(arr) 	# 返回数组中唯一值排序后形成的数组，== sorted(set(arr))
np.intersect1d(x,y)	# 计算x，y的交集并且排序
np.union1d(x,y)	# 计算x，y的并集并且排序
np.in1d(x,y)	# 计算y中的元素是否包含在x中返回一个与x等长的数组
np.setdiff1d(x,y)	# 差集，在x但是不在y中的x元素
np.setxor1d(x,y)	# 异或集，在x或者y中，但不是x，y交集元素

使用数组进行文本输入输出

numpy可以在硬盘中将数据以文本或者二进制文件的形式存储，这里只讨论二进制文件，因为大部分用户倾向于用pandas来装载文本或表格型数据。未压缩后缀名.npy，压缩后缀名.npz

np.save('output', arr)
np.load('input.npy')
# 存储多个数组在一个文件中
np.savez('output.npy', a=arr, b=arr2)
# 还是用load加载，成功会是一个字典对象，选中其中一个数组可以使用
arr['b']
# 以上都是未压缩的文件输入输出
np.savez_compressed('output.npz', a=arr, b=arr2)