Python的numpy基本用法

numpy中ndarray的属性

import numpy as np

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

type(a)

a.shape

a.ndim  # 维度

# np.matrix(a)  # 复制并转化为矩阵
np.mat(a) 

创建ndarray

array = np.array([1,23,4], dtype=np.int64)  # 创建自定义类型的array
array.dtype

np.zeros((2, 2))  # 创建并初始化为0

np.ones((2, 3))  # 创建并初始化为1

np.empty( (3, 3) )  # 创建并置空，实际非常接近于0的数字

np.arange(10, 20, 2)  #  返回一个等距array，起点 终点 步长

a = np.arange(10)  # 默认起点为0，步长为1
b = a.reshape((2, 5))  # reshape
print(a)
print(b)

np.linspace(10, 15, 12)  # 返回一个线段，10开始，15结束，共12段，一般用作于画图

numpy的基础运算

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

print('a={}, \nb={}'.format(a,b))
print('a - b = ', a - b)  # 减
print('a * b = ', a * b)  # 对应元素相乘
print('a ^ 2 = ', a ** 2)  # 对应元素平方

np.sin(a)  # 三角函数

a<3  # 返回布尔类型数组

a = np.array([[1,2], 
                      [2,3]])
b = np.arange(4).reshape((2,2))
print(a);print(b)
print(a*b)  # 对应元素相乘
a.dot(b) == a@b , a@b == np.dot(a,b)  # 点乘

a = np.random.random((2, 4))  # 返回 0到 1之间的数
# help(np.random.random)
a = np.arange(4).reshape((2, 2))

print(a)
print(np.sum(a, axis=0))  # 在第一个维度中的元素间进行求和
print(np.max(a, axis=0)) # 在第一个维度中的元素间的每个位置上取最大值（列）
print(np.min(a,axis=1))  # 在第二个维度中的元素间找最小值（行）

A = np.arange(2, 14).reshape(3, 4)
print(A)
print('--------------------------------------------------------')
print(np.min(A, axis=0))
print(np.argmin(A, axis=0))  # 返回第一个维度上元素间最小值的索引  == A.argmin()，就是返回每列最小值的索引
print(np.max(A, axis=1))
print(np.argmax(A, axis=1))  # 返回第二个维度上元素间最大值的索引  == A.argmax()，就是返回每行最大值的索引
print('--------------------------------------------------------')
print(A.mean())  # 平均值
print(np.median(A)) # 中位数
print(np.cumsum(A))  # 依次累加
print(np.diff(A))  # 依次累差
print(np.nonzero(A))  # 返回非零数的索引，一个行索引，一个列索引

np.transpose(A) # == A.T 转置

np.clip(A, 5, 9) # 限制最大值和最小值

numpy的索引

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

A[2][1]  # == A[2, 1]

A[2]  # 取某一行 

A[:, 2]  # 切片，去某一列

for row in A:  # 迭代行
    print(row)

for column in A.T:  # 迭代列
    print(column)

for item in A.flatten():  # 迭代每个元素
    print(item)

A = np.array([1, 1, 1])
B = np.array([2, 2, 2])
np.vstack((A, B))  # 垂直合并
np.hstack((A, B))  # 水平合并

A.T  # 一维的ndarray是不能直接转置的
# 可以在一位的ndarray上加维度
A[:, np.newaxis]  # 在列上添加维度
# A.reshape(A.size, 1)

A = A.reshape(A.size, 1)
B = B.reshape(B.size, 1)
np.hstack((A, B))

np.concatenate((A,B,A,B), axis=1)  # 水平左右合并，axis=0 垂直上下合并

ndarray的分割

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

等量分割

np.split(A, 2, axis=1)  # 分成两部分，在第二个维度上的元素间进行分割，也就是对每行进行操作分割

np.array_split(A, 3, axis=1)  # 不等量分割

np.vsplit(A, 3)  # 上下垂直分割
np.hsplit(A, 2)  # 左右水平分割

ndarray的拷贝

numpy关于copy有三种情况，完全不复制、视图（view）或者叫浅复制（shadow copy）和深复制（deep copy）。

1. 完全不拷贝 a = b

   不拷贝内容，仅仅是引用

2. shadow copy a = b.view() 或 a = b[:, :]

   view方法会创建一个共享原数组数据的新的数组对象。创建新的对象但是数据是共享的。

3. deep copy a = b.copy()

   深度拷贝，完全独立。

而 b = a[:] 这种形式就属于第二种，即视图，这本质上是一种切片操作（slicing），所有的切片操作返回的都是视图。具体来说，b = a[:]会创建一个新的对象 b（所以 id(b) 和id(a) 返回的结果是不一样的），但是 b 的数据完全来自于a，和 a 保持完全一致，换句话说，b的数据完全由a保管，他们两个的数据变化是一致的。
b = a 和 b = a[:] 的差别就在于后者会创建新的对象，前者不会。两种方式都会导致 a 和 b 的数据相互影响。

numpy中的拷贝和python自带的拷贝有些许区别。