numpy学习日志

为什么要用numpy，numpy和原生python的比较：

 numpy创建数组

np.array创建数组

•  object是必选参数，可以是列表，元组，甚至可以是ndarray类型数组。例：numpy.array([1,2,3])或numpy.array(arr1)
• dtype是可选参数，用于强制转换数组元素的类型，例：np.array([1,2,3.0,4.0,5.5],dtype = 'int')
• copy用于复制一个数组，默认为True。True时复制的的数组与原数组id不同，False时复制的数组与原数组的id相同。也可以直接使用=，是试图操作，相当于列表的引用赋值操作。
• subok，例：

  a = np.mat([1,2,3,4,5])#创建一个矩阵,矩阵类型
  #复制a的一个副本，又不想改变其数据类型
  b = np.array(a,subok = True)

  np.arange生成区间数组

• 当参数为两个时，默认这两个参数时start和stop，而不是stop和step。

• arange和range的不同之处。range（4.1）会报错，因为默认步长时整数，而开始结束值为浮点数。arange（4.1）不会报错，且返回值均为浮点型

• 改变返回的ndarray的元素的数据类型

np.linspace()创建等差数列

np.logspace()生成等比数列

 

np.zeros()生成全零数组

• 元素类型默认为float浮点数类型，默认是float64

• 数组的形状不是一维时用元组表示，例：np.zeros((4,4),dtype='int')#4*4的数组

• zeros_like()返回与给定数组相同形状的零数组，例：arr1 = np.zeros_like([[1,2,3],[1,2,3]])

np.ones()生成全一数组 

 同理，还有全一数组

numpy数组的属性

 ndarray.shape

• 用来获取矩阵的形状，返回的是一个元组。
• 可以使用ndarray.reshape((n,m))改变数组的形状。返回调整维度后的副本，而不改变原来的数组。
• 若使用reshape（）方法改变数组的形状，改变后的数组元素个数和原来数组的元素个数不同就会报错。此时可以使用ndarray.resize()来改变维度
• 使用numpy.resize(a,newshape)函数改变数组的维度时，若新数组的元素比原数组的元素多，则元素组的元素会在多出的部分再写一轮，写满为止。这个和arr.resize（newshape,refcheck =False）方法的不同之处在于arr.resize()会用零补充。

ndarray.ndim

• 返回数组的维度（秩）：轴的数量，或者说时维度的数量，是一个标量

ndarray.size

• 数组元素的个数，相当于shape中n*m的值

ndarray.dtype

astype()方法，返回数据类型改变后的数据，但原数组的数据类型不会发生改变。例：

import numpy as np

a = np.zeros((3,3))
b = a.astype('int')
print(a.dtype,b.dtype)

ndarray的切片和索引

一维数组的切片和索引

 另外，还有[:n]，表示从第一个索引开始到第n个索引结束。不包括索引n

 二维数组的切片和索引

arr[start:stop:step]

 对于二维数组，arr[n]取的是arr第n行的一维数组，而一维数组arr[n]在加一个[m就是取得该一维数组的第m个元素，即]arr[n][m]取得是第n行m列的元素，等价于arr[n,m]。切片arr[a:b]会切出来arr的a行到b行的二维数组。可以进行二维切片，如：arr[a:b,x:y]，可以切出来a行到b行，x列到y列的二维数组。

 整数数组的索引

 x[[0,1,2],[0,1,0]]索引的第一个列表[0,1,2]表示索引行的0，1，2行，后一个列表[0,1,0]是用来索引列0，1，0的。表示取数组x[0,0],x[1,1],x[2,0]元素。这样索引必须保证同时索引的行和列数量相同。

布尔数组的索引

例：找出数组中为奇数的元素，并将这些元素修改为-1

import numpy as np

arr1 = np.arange(30).reshape(5, 6)
print(arr1[arr1 % 2==1]) #输出结果[ 1  3  5  7  9 11 13 15 17 19 21 23 25 27 29]
arr1[arr1 % 2==1] = -1
print(arr1)

 也可以使用&和|来表示多个条件

 

 还可以使用True和False的形式来表示自己需要和不需要的数据

 例：

Row1 = np.array([True, False, False, True, True])  # 表示需要第1、4、5行
Column1 = np.array([True, False, False, True, True, False])  # 表示需要第1、4、5列
arr2 = arr1[Row1]
arr3 = arr1[:, Column1]
arr4 = arr1[Row1, Column1]
print(arr1, '\n\n', arr2, '\n\n', arr3, '\n\n', arr4)

 若两个一维数组的True数量不匹配，就会报错。这一点和整形索引一样

数组的索引和切片的值的更改会影响原数据！！！！！ 

Numpy的广播机制