Python学习-[numpy库]-初级

创建数组：

np.array([1, 2, 3, 4, 5])

使用zeros创建全零数组：

np.zeros((3, 2))

代表一个三行二列的数组：

array([0., 0.],
	  [0., 0.], 
	  [0., 0.])

获取数组的尺寸：

a = np.zeros((3, 2))
a.shape
#输出结果为：(3, 2)

第一个数据展示数组第一维的长度，第二个数据展示数组第二维的长度，以此类推

扩展-创建一个全都是1的数组：

np.ones((2, 4))

使用arange创建一个递增或者递减的数列：

np.arange(3, 7)
#结果为array([3, 4, 5, 6])

注意这里的(3， 7)是一个左开右闭的区间

使用linspace均分一块长度的数据：

np.linspace(0, 1, 5)
#划分结果为array([0. , 0.25, 0.5, 0.75, 1. ])

这里前两个数指的是范围，最后一个数指的是划分的样本数量。

创建一些完全随机的数：

np.random.rand(2, 4)

生成两行四列完全随机的数字

指定numpy数组的数据类型

在numpy中，数组默认的类型是64位的浮点数，修改数据类型通过使用dtype来修改

a = np.zeros((4, 2), dtype=np.int32)

有np.int8/16/32/64，np.uint8/16/32/64,np.float32/64,bool,str等等

转换数据类型

a = np.zeros((2, 4))
b = a.astype(int)

加法和除法

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
a + b
#计算结果为np.array([5,7,9])
a/b
#计算·结果为np.array([0.25, 0.4, 0.5])

乘法

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
np.dot(a, b)
#np.dot会将俩个数据进行点乘运算，结果为32

a = np.array([1, 2], [3, 4])
b = np.array([2, 0], [0, 2])
a @ b
#矩阵乘法，和np.matmul()一样，输出array([2，4], [6, 8])

平方根

a = np.array([1, 2, 3])
np.sqrt(a)
#结果array([1, 1.41421356, 1.73205081])

三角函数

a = np.array([1, 2, 3])
np.sin(a)
np.cos(a)
#array([0.74147098, 0.90929743, 0.14112001])
#array([0.54030231, -0.41614684, -0.9899925])

对数和指数运算

a = np.array([1, 2, 3])
np.log(a)
np.power(a, 2)
#array[0.        , 0.69314718, 1.09861229]
#array([1, 4, 9], dtype=int32)

广播-举例乘法

a = np.array([1, 2, 3])
a * 5
#array([5, 10, 15])

广播-举例加法

a = np.array([[1], [10], [20]])
b = np.array([0, 4, 2])
a + b
#array([[1, 2, 3], [10, 11, 12], [20, 21, 22]])

不同尺寸的数组做运算时，numpy会将其扩展至相同的尺寸，这一性质叫做广播

最小最大值

a = np.array([1, 2, 3, 4, 5])
a.min()
a.max()
#输出1和5

最小最大值索引

a = np.array([1, 2, 3, 4, 5])
a.argmin()
a.argmax()
#输出0和4

---

求和

a = np.array([1, 2, 3, 4, 5])
a.sum()
#输出15

平均值

a = np.array([1, 2, 3, 4, 5])
a.mean()
#输出3.0

中位数

a = np.array([1, 2, 3, 4, 5])
np.median(a)
#输出3.0

方差和标准方差

a = np.array([1, 2, 3, 4, 5])
a.var()
a.std()
#输出2.0和1.4142135623730951

维度处理

对于上述数据，我们可以使用axis对维度进行处理

a = np.array([1, 2, 3, 4, 5], [5, 6, 7, 8, 9])
a.sum(axis=0)
#输出：array([6, 8, 10, 12, 14])这里axis=0指的是第一维度，也就是纵向相加
a.sum(axis=1)
#输出：array([15,35])这里axis=1指的是第二位维度，也就是横向相加

---

获取下标元素

a = np.array([1, 2, 3], [4, 5, 6])
a[0, 1]
#输出：2

寻找符合条件的值

a = np.arange(10)
#这里a是：array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a[a < 3]
#这里是：array([0, 1, 2])
#这里可以使用多种不同的条件，包括a[(a > 3) & (a % 2 == 0)]

切片获取

a = np.array([1, 2, 3], [4, 5, 6])
a[0, 0:2]
#输出array[1, 2]

0:2代表[0,2)这个区间，左闭右开

a = np.array([1, 2, 3], [4, 5, 6])
a[0, :]
#这样可以输出第一行所有的元素，也可以直接去掉冒号
a[0]

a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
a[0:9:2]
#输出为array([1, 3, 5, 7, 9])
a[0:9:3]
#输出为array([1, 4, 7])

这里第二个冒号后面的指切片距离，每隔几个数选一个数字，这个跨度可以选负数，选负数的话就可以从右往左取

a = np.array([1, 2, 3, 4, 5])
a[4:1:-2]
#输出是array([5, 3])

所以经常会看到这种写法：

a = np.array([1, 2, 3, 4, 5])
a[::-1]
#输出是array([5, 4, 3, 2, 1])

1.导入numpy库并简写为np

import numpy as np

2.打印numpy库的版本和配置说明

print(np.__version__)
np.show_config()

3.创建一个长度为10的空向量

np.zeros(10)

5, 3])

所以经常会看到这种写法：

```python
a = np.array([1, 2, 3, 4, 5])
a[::-1]
#输出是array([5, 4, 3, 2, 1])