Numpy学习笔记：三

---

numpy学习笔记-仅供学习使用

---

# 基本索引及切片
import numpy as np

ar = np.arange(20)
print(ar)
print(ar[4])
print(ar[3:6])
print('-----')
# 一维数组索引及切片

ar = np.arange(16).reshape(4,4)
print(ar, '数组轴数为%i' %ar.ndim)   # 4*4的数组
print(ar[2],  '数组轴数为%i' %ar[2].ndim)  # 切片为下一维度的一个元素，所以是一维数组
print(ar[2][1]) # 二次索引，得到一维数组中的一个值
print(ar[1:3],  '数组轴数为%i' %ar[1:3].ndim)  # 切片为两个一维数组组成的二维数组
print(ar[2,2])  # 切片数组中的第三行第三列 → 10
print(ar[:2,1:])  # 切片数组中的1,2行、2,3,4列 → 二维数组
print('-----')
# 二维数组索引及切片

ar = np.arange(8).reshape(2,2,2)
print(ar, '数组轴数为%i' %ar.ndim)   # 2*2*2的数组
print(ar[0],  '数组轴数为%i' %ar[0].ndim)  # 三维数组的下一个维度的第一个元素 → 一个二维数组
print(ar[0][0],  '数组轴数为%i' %ar[0][0].ndim)  # 三维数组的下一个维度的第一个元素下的第一个元素 → 一个一维数组
print(ar[0][0][1],  '数组轴数为%i' %ar[0][0][1].ndim)  
# **三维数组索引及切片

# 布尔型索引及切片

ar = np.arange(12).reshape(3,4)
i = np.array([True,False,True])
j = np.array([True,True,False,False])
print(ar)
print(i)
print(j)
print(ar[i,:])  # 在第一维度做判断，只保留True，这里第一维度就是行，ar[i,:] = ar[i]（简单书写格式）
print(ar[:,j])  # 在第二维度做判断，这里如果ar[:,i]会有警告，因为i是3个元素，而ar在列上有4个
# 布尔型索引：以布尔型的矩阵去做筛选

m = ar > 5
print(m)  # 这里m是一个判断矩阵
print(ar[m])  # 用m判断矩阵去筛选ar数组中>5的元素 → 重点！后面的pandas判断方式原理就来自此处

 # 数组索引及切片的值更改、复制

ar = np.arange(10)
print(ar)
ar[5] = 100
ar[7:9] = 200
print(ar)
# 一个标量赋值给一个索引/切片时，会自动改变/传播原始数组

ar = np.arange(10)
b = ar.copy()
b[7:9] = 200
print(ar)
print(b)
# 复制

# 随机数生成

samples = np.random.normal(size=(4,4))#random.normal:代表一个标准正态分布的样本值
print(samples)
# 生成一个标准正太分布的4*4样本值

# numpy.random.rand(d0, d1, ..., dn)：生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
#matplotlib inline 
# 魔法函数，每次运行自动生成图表

a = np.random.rand()#生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布
print(a,type(a))  # 生成一个随机浮点数

b = np.random.rand(4)# 生成形状为4的一维数组
print(b,type(b))  

c = np.random.rand(2,3)# 生成形状为2*3的二维数组，注意这里不是((2,3))
print(c,type(c))  

# 生成1000个均匀分布的样本值
samples1 = np.random.rand(1000)
samples2 = np.random.rand(1000)
plt.scatter(samples1,samples2)#随机分布

#  numpy.random.randn(d0, d1, ..., dn)：生成一个浮点数或N维浮点数组 —— 正态分布
data1 = np.random.randn(1000)
data2 = np.random.randn(1000)
plt.scatter(data1,data2)#正态分布 
# randn和rand的参数用法一样
# 生成1000个正太的样本值

import numpy as np

# numpy.random.randint(low, high=None, size=None, dtype='l')：生成一个整数或N维整数数组
# 若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数，且high必须大于low 
# dtype参数：只能是int类型  

# low=2：生成1个[0,2)之间随机整数  
print(np.random.randint(2))

# low=2,size=5 ：生成5个[0,2)之间随机整数
print('2-5取随机数:',np.random.randint(2,5))
print('生成6个[0,2)之间随机整数  :',np.random.randint(2,size=6))

# low=2,high=6,size=5：生成5个[2,6)之间随机整数  
print('生成5个[2,6)之间随机整数  :',np.random.randint(2,6,size=5))

# low=2,size=(2,3)：生成一个2x3整数数组,取数范围：[0,2)随机整数 
print('生成一个2x3整数数组,取数范围：[0,2)随机整数 :','\n',np.random.randint(2,size=(2,3)))

# low=2,high=6,size=(2,3)：生成一个2*3整数数组,取值范围：[2,6)随机整数  
print('生成一个2*3整数数组,取值范围：[2,6)随机整数  :','\n',np.random.randint(2,6,(2,3)))


print('生成一个[10,50),2行4列的数组:','\n',np.random.randint(10,50,size=(2,5)))

import os
#numpy存储数组数据 .npy文件
#这样直接在桌面生成一个.npy文件
os.chdir('C:\\Users\\Titanic\\Desktop')
ar = np.random.rand(5,5)
print(ar)
np.save('arraydata.npy',ar)
# 也可以直接 np.save('C:/Users/Hjx/Desktop/arraydata.npy', ar)

#numpy读取数组数据 .npy文件
ar_load = np.load('arraydata.npy')
print(ar_load)

#numpy # 存储/读取文本文件
# np.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline='\n', header='', footer='', comments='# ')：存储为文本txt文件
#存储文本文件
ar = np.random.rand(5,5)
print(ar)
np.savetxt('savatxt_text.txt',ar,delimiter=',')#$delimiter=',':以逗号进行分割
print('text文件写入成功')
#读取文本文件
ar_loadtxt = np.loadtxt('savatxt_text.txt', delimiter=',')
print('读取文本文件成功:','\n',ar_loadtxt)
# 也可以直接 np.loadtxt('C:/Users/Hjx/Desktop/array.txt')