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)。
完全不拷贝
a = b
不拷贝内容,仅仅是引用
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。
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。