import numpy as np
#创建
a = np.array([1, 3, 3])
a = np.array([2,23,4],dtype=np.int)
a = np.array([2,23,4],dtype=np.float)#指定类型
a = np.zeros((3,4)) # 数据全为0,3行4列
a = np.ones((3,4),dtype = np.int) # 数据为1,3行4列
a = np.empty((3,4)) # 基本接近于0的数
a = np.arange(10,20,2) # 10-19 的数据,2步长整数
a = np.linspace(1,10,20) # 开始端1,结束端10,且分割成20个数据,生成线段非整数
a = np.linspace(1,10,20).reshape((5,4)) # 更改shape 创建出来是一维的,改变形状
#重点 array dtype arange reshape
#基本属性
print('number of dim:',array.ndim) # 维度
print('shape :',array.shape) # 行数和列数
print('size:',array.size) # 元素个数
# 重点 dim shape size
#基本运算
c=a-b # array([10, 19, 28, 37])
c=a+b # array([10, 21, 32, 43])
c=a*b # array([ 0, 20, 60, 120])
c=b**2 # array([0, 1, 4, 9])python 中的平方
c=10*np.sin(a) #sin cos
print(b<3) #判断b中是的数字是否<3出来的是数字
c_dot = np.dot(a,b)#矩阵乘法 注意和*的区别
#重点 + - * ** sin cos < > dot
#高级运算1
a=np.random.random((2,4))#随机生成2-4之间的数字
np.sum(a) # 4.4043622002745959
np.min(a) # 0.23651223533671784
np.max(a) # 0.90438450240606416
print("sum =",np.sum(a,axis=1)) # axis 1行 0列
# 重点 random sum max min axis
#高级运算2
import numpy as np
A = np.arange(2,14).reshape((3,4))
# array([[ 2, 3, 4, 5]
# [ 6, 7, 8, 9]
# [10,11,12,13]])
print(np.argmin(A)) # 0 返回的是矩阵中最大值得下标
print(np.argmax(A)) # 11
print(np.mean(A)) # 7.5平均
print(np.average(A)) # 7.5平均
print(np.cumsum(A)) #累加
print(np.diff(A)) #累减
#重点 argmin argmax mean diff cumsum
#高级运算3
print(np.sort(A)) #每行按从大到小排序
print(A.T) #转置
print(A)
# array([[14,13,12,11]
# [10, 9, 8, 7]
# [ 6, 5, 4, 3]])
print(np.clip(A,5,9)) #小于5的用5代替 大于9的用9代替 中间的不变
# array([[ 9, 9, 9, 9]
# [ 9, 9, 8, 7]
# [ 6, 5, 5, 5]])
#重点 A.T sort clip
#索引
A = np.arange(3,15).reshape((3,4))
"""
array([[ 3, 4, 5, 6]
[ 7, 8, 9, 10]
[11, 12, 13, 14]])
"""
print(A[2])
print(A[1][1]) # 8
print(A[1, 1:3]) # [8 9]
for row in A: #按行输出
print(row)
"""
[ 3, 4, 5, 6]
[ 7, 8, 9, 10]
[11, 12, 13, 14]
"""
for column in A.T: #按列输出 利用性质转置后 按行输出
print(column)
"""
[ 3, 7, 11]
[ 4, 8, 12]
[ 5, 9, 13]
[ 6, 10, 14]
"""
A = np.arange(3,15).reshape((3,4))
print(A.flatten()) #按行的数列 flat平的
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
for item in A.flat:# A.flat 迭代器
print(item)
#重点 按行输出 按列输出 元素一个一个输出 flat flatten
#array合并
print(np.vstack((A,B))) # vertical stack 垂直合并
D = np.hstack((A,B)) # horizontal stack 左右合并
# A=[1, 1, 1]
print(A[np.newaxis,:]) #列增加维度
# [[1 1 1]]
print(A[np.newaxis,:].shape)
# (1,3)
print(A[:,np.newaxis])#行增加维度
"""
[[1]
[1]
[1]]
"""
print(A[:,np.newaxis].shape)
# (3,1)
A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis]
C = np.vstack((A,B)) # vertical stack
D = np.hstack((A,B)) # horizontal stack
print(D)
"""
[[1 2]
[1 2]
[1 2]]
"""
print(A.shape,D.shape)
# (3,1) (3,2)
C = np.concatenate((A,B,B,A),axis=0)#按列合并
print(C)
"""
array([[1],
[1],
[1],
[2],
[2],
[2],
[2],
[2],
[2],
[1],
[1],
[1]])
"""
D = np.concatenate((A,B,B,A),axis=1) #按行合并
print(D)
"""
array([[1, 2, 2, 1],
[1, 2, 2, 1],
[1, 2, 2, 1]])
"""
#重点 vstack hstack concatenate(推荐用这个,少记忆点东西)
# array分割
print(np.split(A, 2, axis=1))#列平均分割成两半
"""
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
"""
print(np.split(A, 3, axis=0))#行平均分割成三个部分
# [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
print(np.array_split(A, 3, axis=1)) # 不均等分割
"""
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
"""
# 重点 split array_aplit axis
# 深拷贝 与 浅拷贝
a = np.arange(4)
# array([0, 1, 2, 3])
b = a # 浅拷贝 改变b的值a同时改变
b = a.copy() # deep copy a与b的内存指向不同了
numpy基础学习 参考莫烦python
最新推荐文章于 2023-01-06 11:13:52 发布