Numpy

---

typora-copy-images-to: ./…\Images

Array

array属性：

• shape:返回有个元组表示array的维度
• ndim：一个数字表示array的维度数目
• size：一个数字表示array中所有数据元素的数目
• dtype：array的数据类型

#arange ones/ones_like empty/empty_like eye random
x = np.array()

Array 的创建

arange(start,end,step)左闭右开创建数组

np.ones(shape,dtype,order=‘C’) shape可以是一个数字或者是一个元组来表示矩阵的形状来创造全是1的array

np.ones_like(a) a传递的是一个array也就是按照a的形状创造一个全是1的array

empty(shape) 创造全是0的array 数据是未初始化的不要使用

empty_like(a)

full(shape,value) 创造一个全是value的数组形如shape

full_like(a,value)

np.random.randn(d0,d1,…,dn) 几个数字就是几维

np.random.randint(start,end,num) 随机生成0~100的十个整数

Array的操作

reshape()对于数组形状的重载

np.sin(A)求每个数的sin

np.exp(A)求每个数的e^A

argsort()[n:m] 原数组排序后 返回从n到m-1个元素在原数组的下标

对数组按索引查询

基础索引

与数组索引一致，二维数组可用 [某，某]来实现索引其中可以是两个切片(但numpy切片的修改会改变原来的数组) ->也就是通过索引访问可以达到修改数组某一位置的值的目的

神奇索引

用整数数组进行索引

x = np.array([9,8,7,6,5,4,3,2,1,0])
x[[]]#中括号中可以是个数组并且返回的是索引数组元素值对应到x中的值
x[[3,4,7]] -> array([6, 5, 2])
#索引值是二维数组可以将原数组转成二维数组
index = np.array([[3,4],[0,1]])
x[index]
#------------------------#
array([[6, 5],
       [9, 8]])


X = np.array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])
X[[0,2,3],[1,3,4]]#返回的是[(0,1),(2,3),(3,4)]位置的数字并组成一维数组
X[:,[0,2,3]]#筛选列数

array([[ 0,  2,  3],
       [ 5,  7,  8],
       [10, 12, 13],
       [15, 17, 18]])

X[[0,2,3],:]#筛选行数

array([[ 0,  1,  2,  3,  4],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

布尔索引

x[x>5]返回数组中大于5的元素并合成为一个数组

二维数组中 X[X>5]返回的是一维数组

X[:,3]>5 将第三列大于5的进行筛选

条件组合 condition = (x%2==0) | (x>7) 可以手动设定条件

常用random随机函数

shuffle -> 如果数组是多维的那么只会在第一位都打散数据

permutation 不回打乱原来的数组而是生成一个新的copy

#添加噪声
import matplotlib.pyplot as plt
x = np.linspace(-10, 10,100)#最小 最大 之间生成100个数字
y = np.sin(x) + np.random.rand(len(x))
plt.plot(x,y)
plt.show()

数学统计函数

percentile

weights = np.random.rand(*arr.shape)

np.average(arr,weights = weights) 加权平均

Axis

axis = 0 表示行 = 1表示列

=0相当于把行消去 =1相当于把列消去

=0相当于跨行计算 =1跨列计算

数据进行标准化

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
#计算每列均值
mean = np.mean(arr,axis=0)

#计算每列方差
std = np.std(arr,axis= 0)

#计算分子 --每一行都会分别减去mean(广播)
fenzi = arr - mean

result = fenzi/std

#_#
array([[-1.22474487, -1.22474487, -1.22474487, -1.22474487],
       [ 0.        ,  0.        ,  0.        ,  0.        ],
       [ 1.22474487,  1.22474487,  1.22474487,  1.22474487]])

计算数组中满足元素的个数

import numpy as np
arr = np.random.randint(1,10000,size=int(1e8))
arr[:10]
arr.size

arr[arr>5000].size
(arr>5000)[:10]

## 计算数组中满足元素的个数

```python
import numpy as np
arr = np.random.randint(1,10000,size=int(1e8))
arr[:10]
arr.size

arr[arr>5000].size
(arr>5000)[:10]