本文章主要是记录自己的学习进度。
数组的创建
import numpy as np
# # 1.使用array创建
# 通过array函数传递list对象
# L = [1, 2, 3, 4, 5, 6]
# # print "L = ", L
# a = np.array(L)
# print "a = ", a
# # print type(a), type(L)
# # 若传递的是多层嵌套的list，将创建多维数组
# b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
# print b
# # # #
# # # # # 数组大小可以通过其shape属性获得
# print a.shape
# print b.shape
# # # #
# # # # 也可以强制修改shape
# # b.shape = 4, 3
# # print b
# # # # # 注：从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变
# # # #
# # # 当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度
# b.shape = 2, -1
# print b
# print b.shape
# # # #
# b.shape = 3, 4
# print b
# # # # 使用reshape方法，可以创建改变了尺寸的新数组，原数组的shape保持不变
# c = b.reshape((4, -1))
# print "b = \n", b
# print 'c = \n', c
# # #
# # # # 数组b和c共享内存，修改任意一个将影响另外一个
# b[0][1] = 20
# print "b = \n", b
# print "c = \n", c
# # # #
# # # # 数组的元素类型可以通过dtype属性获得
# print a.dtype
# print b.dtype
# # # #
# # # # # 可以通过dtype参数在创建时指定元素类型
# d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float)
# # f = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex)
# print d
# print f
# # #
# # # 如果更改元素类型，可以使用astype安全的转换
# f = d.astype(np.int)
# print f
# #
# # # 但不要强制仅修改元素类型，如下面这句，将会以int来解释单精度float类型
# d.dtype = np.int
# print d
#
# 2.使用函数创建
# 如果生成一定规则的数据，可以使用NumPy提供的专门函数
# arange函数类似于python的range函数：指定起始值、终止值和步长来创建数组
# 和Python的range类似，arange同样不包括终值；但arange可以生成浮点类型，而range只能是整数类型
# a = np.arange(1, 10, 0.5)
# print a
# # # #
# # # # linspace函数通过指定起始值、终止值和元素个数来创建数组，缺省包括终止值
# b = np.linspace(1, 10, 10)
# print 'b = ', b
# # # #
# # 可以通过endpoint关键字指定是否包括终值
# c = np.linspace(1, 10, 9, endpoint=False)
# print 'c = ', c
# # # #
# # # 和linspace类似，logspace可以创建等比数列
# # 下面函数创建起始值为10^1，终止值为10^2，有10个数的等比数列
# d = np.logspace(1, 2, 9, endpoint=True)
# print d
# # # #
# # # # 下面创建起始值为2^0，终止值为2^10(包括)，有10个数的等比数列
# f = np.logspace(0, 10, 11, endpoint=True, base=2)
# print f
# # # #
# # # # 使用 frombuffer, fromstring, fromfile等函数可以从字节序列创建数组
# s = 'abcdz'
# g = np.fromstring(s, dtype=np.int8)
# print (g) # [ 97 98 99 100 122]
# #一维数组的切片
# 3.1常规办法：数组元素的存取方法和Python的标准方法相同
# a = np.arange(10)
# print (a)
# # # 获取某个元素
# print (a[3])
# # # # # 切片[3,6)，左闭右开
# print (a[3:6])
# # 省略开始下标，表示从0开始
# print (a[:5])
# # 下标为负表示从后向前数
# print (a[3:])
# # 步长为2
# print (a[1:9:2])
# # # # # 步长为-1，即翻转
# print (a[::-1])
# # # # # 切片数据是原数组的一个视图，与原数组共享内容空间，可以直接修改元素值
# a[1:4] = 10, 20, 30
# print (a)
# # 因此，在实践中，切实注意原始数据是否被破坏，如：
# b = a[2:5]
# b[0] = 200
# print (a)
# 3.2 整数/布尔数组存取
# 3.2.1
# 根据整数数组存取：当使用整数序列对数组元素进行存取时，
# 将使用整数序列中的每个元素作为下标，整数序列可以是列表(list)或者数组(ndarray)。
# 使用整数序列作为下标获得的数组不和原始数组共享数据空间。
# a = np.logspace(0, 9, 10, endpoint=True, base=2)
# print (a)
# i = np.arange(0, 10, 2)
# print (i)
# # 利用i取a中的元素
# b = a[i]
# print (b)
# # b的元素更改，a中元素不受影响
# b[2] = 1.6
# print (b)
# print (a)
# # 3.2.2
# 使用布尔数组i作为下标存取数组a中的元素：返回数组a中所有在数组b中对应下标为True的元素
# 生成10个满足[0,1)中均匀分布的随机数
# a = np.random.rand(10)
# print (a)
# # 大于0.5的元素索引
# print (a > 0.5)
# # 大于0.5的元素
# b = a[a > 0.5]
# print (b)
# # 将原数组中大于0.5的元素截取成0.5
# a[a > 0.5] = 0.5
# print (a)
# # # # b不受影响
# print (b)二维数组的切片
# 3.3 二维数组的切片
# [[ 0 1 2 3 4 5]
# [10 11 12 13 14 15]
# [20 21 22 23 24 25]
# [30 31 32 33 34 35]
# [40 41 42 43 44 45]
# [50 51 52 53 54 55]]
# a = np.arange(0, 60, 10) # 行向量
# print ('a = ', a)
# b = a.reshape((-1, 1)) # 转换成列向量,
# print (b)
# c = np.arange(6)
# print (c)
# f = b + c # 行 + 列
# print (f)
# # 合并上述代码：
a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)
# print (a)
# # 二维数组的切片
# print (a[[0, 1, 2], [2, 3, 4]])
# print (a[4, [2, 3, 4]])
# print (a[4:, [2, 3, 4]])
# i = np.array([True, False, True, False, False, True])
# print (a[i])
# print (a[i, 3])NumPy与Python库的对比
# 4.1 numpy与Python数学库的时间比较
# for j in np.logspace(0, 7, 10):
# j = int(j)
# x = np.linspace(0, 10, j)
# start = time.perf_counter()
# y = np.sin(x)
# t1 = time.perf_counter() - start
#
# x = x.tolist()
# start = time.clock()
# for i, t in enumerate(x):
# x[i] = math.sin(t)
# t2 = time.clock() - start
# print (j, ": ", t1, t2, t2/t1)元素去重
# 4.2 元素去重
# 4.2.1直接使用库函数
# a = np.array((1, 2, 3, 4, 5, 5, 7, 3, 2, 2, 8, 8))
# print ('原始数组：', a)
# # # 使用库函数unique
# b = np.unique(a)
# print ('去重后：', b)
# # # 4.2.2 二维数组的去重，结果会是预期的么？
# c = np.array(((1, 2), (3, 4), (5, 6), (1, 3), (3, 4), (7, 6)))
# print (u'二维数组：\n', c)
# print ('去重后：', np.unique(c))
# # # 4.2.3 方案1：转换为虚数
# # r, i = np.split(c, (1, ), axis=1)
# # x = r + i * 1j
# x = c[:, 0] + c[:, 1] * 1j
# print ('转换成虚数：', x)
# print ('虚数去重后：', np.unique(x))
# print (np.unique(x, return_index=True)) # 思考return_index的意义
# idx = np.unique(x, return_index=True)[1]
# print ('二维数组去重：\n', c[idx]
# # 4.2.3 方案2：利用set
# print ('去重方案2：\n', np.array(list(set([tuple(t) for t in c]))))如果拼接矩阵
# 4.3 stack and axis
# a = np.arange(1, 10).reshape((3, 3))
# b = np.arange(11, 20).reshape((3, 3))
# c = np.arange(101, 110).reshape((3, 3))
# print ('a = \n', a)
# print ('b = \n', b)
# print ('c = \n', c)
# print ('axis = 0 \n', np.stack((a, b, c), axis=0))
# print ('axis = 1 \n', np.stack((a, b, c), axis=1))
# print ('axis = 2 \n', np.stack((a, b, c), axis=2))
# a = np.arange(1, 10).reshape(3,3)
# print (a)
# b = a + 10
# print (b)
# print (np.dot(a, b))
# print (a * b)
# a = np.arange(1, 10)
# print (a)
# b = np.arange(20,25)
# print (b)
# print (np.concatenate((a, b)))
扫一扫
290
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
