NumPy 基础

import numpy as np

np.__version__

'1.14.3'

ndarray 数组类型

array=[1,2,3,4,5,6]
array

[1, 2, 3, 4, 5, 6]

array=np.array([1,2,3,4,5,6])
type(array)

numpy.ndarray

array+1

array([2, 3, 4, 5, 6, 7])

#加法
array2=array+array
array2

array([ 2,  4,  6,  8, 10, 12])

#乘法
array3=array*array
array3

array([ 1,  4,  9, 16, 25, 36])

#取值
array[0]

1

array[3]

4

array3[0]

1

array3[-1]

36

array3[0:3]

array([1, 4, 9])

shape属性：描述数组每一维度的数量

#数组的形状
array3.shape

(6,)

array4=np.array([[1,2,3,4],[6,7,8,9]])
array4

array([[1, 2, 3, 4],
       [6, 7, 8, 9]])

array4.shape

(2, 4)

dtype属性：描述数组的数据类型

#数据类型
array4.dtype

dtype('int32')

array5=np.array([[1,2,3.3],[4,5,6.6]])
array5

array([[1. , 2. , 3.3],
       [4. , 5. , 6.6]])

array5.dtype

dtype('float64')

size:数组中元素的个数

#数组中元素的个数
array.size

6

ndim:数组维度

#维度
array.ndim

1

array5.ndim

2

fill：数组的填充

array5.fill(3)
array5

array([[3., 3., 3.],
       [3., 3., 3.]])

zeros：创造全0数组

array6=np.zeros(10)
array6

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

array7=np.zeros((3,6))
array7

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

ones：创造全1数组

array8=np.ones(10)
array8

array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

empty：创建一个没有初始化数值的数组

array9=np.empty((2,3,2))  #2行3列数组，每个两个
array9

array([[[1.26571722e-311, 2.81617418e-322],
        [0.00000000e+000, 0.00000000e+000],
        [0.00000000e+000, 2.92966904e-033]],

       [[6.25646211e-091, 4.85407811e-033],
        [8.31416635e-072, 9.50149044e-043],
        [6.48224659e+170, 4.93432906e+257]]])

#构造随机的10个数
random_array=np.random.rand(10)
random_array

array([0.78756154, 0.81028858, 0.45480779, 0.99079478, 0.57853666,
       0.39447223, 0.51847974, 0.05889269, 0.83743346, 0.34482113])

np.arange()

函数返回一个有终点和起点的固定步长的排列，如[1,2,3,4,5]，起点是1，终点是6，步长为1。

参数个数情况： np.arange()函数分为一个参数，两个参数，三个参数三种情况:

1）一个参数时，参数值为终点，起点取默认值0，步长取默认值1。

2）两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。

3）三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长。其中步长支持小数

array10 = np.arange(0,100,10) #起点为0，终点为100，步长为10
array10

array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])

布尔值

array11=np.array([0,1,2,0],dtype=bool)
array11

array([False,  True,  True, False])

NumPy 计算

array=np.array([[1,2,3],[4,5,6]])
array

array([[1, 2, 3],
       [4, 5, 6]])

#求和
np.sum(array)

21

#按行求和：行和行相加(每一行的元素逐个对应相加)
np.sum(array,axis=0)

array([5, 7, 9])

#按列求和：列和列相加
np.sum(array,axis=1)

array([ 6, 15])

注：

axis=0:沿着每一列或行标签执行

axis=1:沿着每一行或列标签执行

array.ndim  #查看维度

2

array

array([[1, 2, 3],
       [4, 5, 6]])

prod：求乘积

#求乘积
array.prod()

720

array.prod(axis=0)  

array([ 4, 10, 18])

array.prod(axis=1)

array([  6, 120])

max/min：求最大最小值

#求最大最小值
array.max()

6

array.min()

1

array.max(axis=0)

array([4, 5, 6])

array.max(axis=1)

array([3, 6])

array.min(axis=0)

array([1, 2, 3])

array.min(axis=1)

array([1, 4])

argmax/argmin：求最大最小索引

#求最大最小索引
array.argmax()

5

array.argmax(axis=0)

array([1, 1, 1], dtype=int64)

array.argmax(axis=1)

array([2, 2], dtype=int64)

array.argmin()

0

array.argmin(axis=0)

array([0, 0, 0], dtype=int64)

array.argmin(axis=1)

array([0, 0], dtype=int64)

mean：求均值

#求均值
array.mean()

3.5

array.mean(axis=0)

array([2.5, 3.5, 4.5])

array.mean(axis=1)

array([2., 5.])

排序

array=np.array([[1,56,98],[21,65,12]])
array

array([[ 1, 56, 98],
       [21, 65, 12]])

#排序
np.sort(array)

array([[ 1, 56, 98],
       [12, 21, 65]])

np.sort(array,axis=0)

array([[ 1, 21, 65],
       [12, 56, 98]])

#默认指定列排序
np.sort(array,axis=1)

array([[ 1, 56, 98],
       [12, 21, 65]])

#返回索引
np.argsort(array)

array([[0, 1, 2],
       [0, 1, 2]], dtype=int64)

np.argsort(array,axis=0)

array([[0, 1, 1],
       [1, 0, 0]], dtype=int64)

np.argsort(array,axis=1)

array([[0, 1, 2],
       [0, 1, 2]], dtype=int64)

数组形状

array.shape

(2, 3)

array

array([[ 1, 56, 98],
       [12, 21, 65]])

array.shape=3,2   #行列互换
array

array([[ 1, 56],
       [98, 12],
       [21, 65]])

array.shape=6
array

array([ 1, 56, 98, 12, 21, 65])

array.shape=1,6
array

array([[ 1, 56, 98, 12, 21, 65]])

array.reshape(1,6)

array([[ 1, 56, 98, 12, 21, 65]])

array.reshape(6,1)

array([[ 1],
       [56],
       [98],
       [12],
       [21],
       [65]])

reshape函数是MATLAB中将指定的矩阵变换成特定维数矩阵一种函数，且矩阵中元素个数不变，函数可以重新调整矩阵的行数、列数、维数。

函数语法为B = reshape(A,size)是指返回一个和A元素相同的n维数组，但是由向量size来决定重构数组维数的大小。

array.shape

(1, 6)

array.ndim

2

# 新增维度
array1 = array[np.newaxis,:]
array1

array([[[ 1, 56, 98, 12, 21, 65]]])

array1.ndim

3

array2 = array[:,np.newaxis,np.newaxis,np.newaxis]
array2

array([[[[[ 1, 56, 98, 12, 21, 65]]]]])

array2.ndim

5

array2.shape

(1, 1, 1, 1, 6)

array3 = array[np.newaxis,:,np.newaxis]
array3

array([[[[ 1, 56, 98, 12, 21, 65]]]])

array3.shape

(1, 1, 1, 6)

#压缩
array2 = array2.squeeze()
array2.shape

(6,)

array2 = array2.reshape(2,3)
array2

array([[ 1, 56, 98],
       [12, 21, 65]])

#数组的转置
array2.T

array([[ 1, 12],
       [56, 21],
       [98, 65]])

数组的连接

array1=np.arange(0,6)
array1

array([0, 1, 2, 3, 4, 5])

array2=np.arange(6,12)
array2

array([ 6,  7,  8,  9, 10, 11])

array3=np.concatenate((array1,array2))
array3

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

数组的生成

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

array([1, 2, 3])

np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.arange(0,10,2)

array([0, 2, 4, 6, 8])

np.arange(0,10,2,dtype=np.float32)

array([0., 2., 4., 6., 8.], dtype=float32)

linspace：构建等差数列

np.linspace(0,10,10) # 创建等差数列，等距分布0-10之间的10个数，每次增加10/9

array([ 0.        ,  1.11111111,  2.22222222,  3.33333333,  4.44444444,
        5.55555556,  6.66666667,  7.77777778,  8.88888889, 10.        ])

logspace：构建等比数列

np.logspace(0,9,10)

array([1.e+00, 1.e+01, 1.e+02, 1.e+03, 1.e+04, 1.e+05, 1.e+06, 1.e+07,
       1.e+08, 1.e+09])

生成函数

#构造一个全0矩阵
np.zeros(3)

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

np.zeros((2,3))

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

np.zeros((3,2))

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

np.ones(3)

array([1., 1., 1.])

np.ones((2,3))

array([[1., 1., 1.],
       [1., 1., 1.]])

np.ones((3,2))

array([[1., 1.],
       [1., 1.],
       [1., 1.]])

ndarray 计算

x=np.arange(0,2)
x

array([0, 1])

y=np.arange(4,6)
y

array([4, 5])

x*y

array([0, 5])

np.multiply(x,y)

array([0, 5])

# 矩阵乘法 （点积）
np.dot(x,y)

5

x = np.arange(0,6)
x = x.reshape(2,3)
x

array([[0, 1, 2],
       [3, 4, 5]])

y = np.arange(0,6)
y = x.reshape(3,2)
y

array([[0, 1],
       [2, 3],
       [4, 5]])

np.dot(x,y)  #(2,3)*(3,2)=(2,2)

array([[10, 13],
       [28, 40]])

x=np.arange(10)
x

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.random.shuffle(x)   #随机打乱顺序
x

array([4, 5, 3, 1, 2, 8, 7, 6, 9, 0])

数组的比较

x = np.array([1,2,3])
y = np.array([1,2,2])

x==y #对应元素逐个相比较

array([ True,  True, False])

# 逻辑与   
x = np.array([1,0,2])
y = np.array([0,1,2])
np.logical_and(x,y)

array([False, False,  True])

# 逻辑或   
x = np.array([1,0,2])
y = np.array([0,1,2])
np.logical_or(x,y)

array([ True,  True,  True])

# 逻辑非 
x = np.array([1,0,2])
y = np.array([0,1,2])
np.logical_not(x,y)

array([0, 1, 0])

随机模块 np.random

np.random.rand(2,3)

array([[0.63487633, 0.59668801, 0.15900207],
       [0.80550753, 0.92506804, 0.76315239]])

np.random.randint(5,10,size=(2,3))  #用于生成指定范围内的整数

array([[6, 5, 5],
       [9, 9, 5]])

# 随机数种子
np.random.seed(0)     #使得随机数可预测
np.random.randint(5,10,size=(2,3))

array([[9, 5, 8],
       [8, 8, 6]])

# 固定的随机数
np.random.seed(0) 
np.random.random_sample()

0.5488135039273248

# 获得标准正态分布的一组数
mu , sigma = 0 , 0.1
nor = np.random.normal(mu,sigma,100)
nor

array([ 0.07415917,  0.15529137, -0.22683282,  0.13335454, -0.08427241,
        0.19699244,  0.12661185, -0.05058765,  0.25452008,  0.10808119,
        0.04843122,  0.05791405, -0.01815826,  0.14102046, -0.03744717,
        0.02751983, -0.09607546,  0.0376927 ,  0.00334389,  0.06805672,
       -0.15634967, -0.05666976, -0.02421495,  0.15143913, -0.03330574,
        0.00473648,  0.14627404,  0.15350291,  0.056644  ,  0.01492651,
       -0.1078278 ,  0.13954723,  0.1787484 , -0.05695173,  0.01753865,
       -0.04625055, -0.10858006,  0.0639736 , -0.03858633, -0.07757624,
        0.09957113, -0.19332048,  0.02485306, -0.00312453, -0.0139474 ,
       -0.0190656 ,  0.04486375, -0.09924298, -0.02259397, -0.16545708,
       -0.06397226, -0.04794198,  0.03113635, -0.07760205, -0.03073648,
       -0.03665239,  0.1119712 , -0.04579224,  0.04253934, -0.00279712,
        0.14759898,  0.06467801, -0.03643343, -0.06787774, -0.03536279,
       -0.07407475, -0.06750218, -0.01327843,  0.06198011,  0.17911685,
        0.01710004, -0.17256714,  0.01606585, -0.08589853, -0.02064209,
        0.04884265, -0.0838331 ,  0.03811637, -0.09909033,  0.101788  ,
        0.03415874, -0.12508862,  0.09252508, -0.09047862,  0.18436915,
        0.15255072, -0.14455356,  0.03771606, -0.00705572,  0.06041597,
        0.0472149 ,  0.08199173,  0.09075196, -0.05858229,  0.09375588,
       -0.02546081,  0.09735987,  0.02072828,  0.1099642 ,  0.0939897 ])

matplotlib画图

pip install matplotlib

import matplotlib.pyplot as plt

plt.plot(np.arange(100),nor,'ro-')
plt.show

<function matplotlib.pyplot.show(*args, **kw)>

a = np.arange(10)
a

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.random.shuffle(a) # 洗牌
a

array([2, 7, 9, 4, 0, 1, 3, 8, 5, 6])

文件读写

%%writefile test2.txt  
1,2,3,4,5,6 
2,3,5,8,9,10

Writing test2.txt

np.loadtxt('test2.txt',delimiter=',')      # delimiter 分隔符定义

array([[ 1.,  2.,  3.,  4.,  5.,  6.],
       [ 2.,  3.,  5.,  8.,  9., 10.]])

x = np.arange(10)
x = x.reshape(2,5)

y = np.arange(10,20)
y = y.reshape(2,5)
x,y

(array([[0, 1, 2, 3, 4],
        [5, 6, 7, 8, 9]]), array([[10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]]))

# 保存
np.savetxt('test.txt',x)

np.loadtxt('test.txt')

array([[0., 1., 2., 3., 4.],
       [5., 6., 7., 8., 9.]])

# npy
np.save('test.npy',x) # 写入

np.load('test.npy')  # 读取

array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

# 通过npz格式可以压缩存储多个npy文件
np.savez('test.npz',a=x,b=y)

# 读取npz文件
data = np.load('test.npz')

data.files #获取文件

['a', 'b']

data['a']

array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

data['b']

array([[10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])