- numpy中对数组使用布尔索引时，布尔表达式的连接应该是用&、|、~，而不是（and, or, not)，尽量用括号将各子表达式括起来。
a = np.arange(11) a[(a < 4) & (a > 8)] += -1 #array([ 0, -1, -2, 3, 4, 5, 6, 7, 8, -9, -10]) a[(a < 4) and (a > 8)] #运行出错 - numpy.random.randn()产生的是正态分布X~(0, 1)的随机数，而numpy.random.rand()产生的均匀分布X~(0, 1)的随机数。
- 一维数组表示向量，可以用vdot()来计算两个向量的内积
a = np.arange(5) b = np.arange(1, 6) print(np.vdot(a, b)) #40 - 创建等差数组：
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)a = np.linspace(10, 20, 5, dtype=np.float64) #array([10. , 12.5, 15. , 17.5, 20. ]) #默认是包括20的，可以设置endpoint=Flase不包括20 -
创建等比数组(基默认为10)：numpy.logspace(start, stop, num=50, endpoint=True, base=10.0)
np.logspace(1, 5, 8, base=2) - 使用numpy.random.randint(low, high=None, size=None, dtype='I')创建随机整数数组。创建值小于10，长度为7的随机一维整数数组：
np.random.randint(10, size=7)或者
np.random.randint(10, size=(7,))创建值大于等于5小于10，长度为6的随机一维整数数组:
np.random.randint(5, 10, size=6)创建值大于等于10小于20的5×4的数组：
np.random.randint(10, 20, size=(5, 4)) -
生成浮点数使用numpy.random.uniform(low=0.0, high=1.0, size=None)，用法和random.randint()一样。
-
求n阶矩阵的逆：
np.linalg.inv(a)求伪逆矩阵：
np.linalg.pinv(a) - 在5×5的矩阵a中,[[2,3,4], [1,2,3]]中索引的元素是a[2][1],a[3][2],a[4][3]，而a[2:, 1:4]索引的元素包括a[2][1],a[2][2],a[2][3],a[3][1],a[3][2],a[3][3],a[4][1],a[4][2],a[4][3]
- reshape()和resize()都是改变数组的形状，但是reshape()不会改变原数组，而是生成一个新的数组，而resize()是改变原数组的形状。
- 使用ravel()可以展平数组（就是转为一维数组）,参数order可以决定按行（'F'）还是按列展开。
- 广播机制：常数a可广播成m×n阶的元素都是a的矩阵，m×1的二维数组A可广播成每一列都是A的m×n的矩阵，1×n的二维数组B可广播成每一行都是B的m×n的矩阵。对一维数组也能够进行广播，将它以1×n的二位数组进行同样的处理。
- 垂直合并数组：random.vstack((a, b))
a = np.random.randint(10, size=(4, 3)) b = np.random.randint(12, size=(2, 3)) np.vstack((a, b)) - 水平合并数组：random.hstack()，与vstack()用法类似。
- 水平分割数组：hsplit()
# a = array([[3, 3, 9], # [2, 1, 2], # [7, 2, 4], # [4, 6, 4]]) np.hsplit(a, 3) #列数要是3的整数倍 #结果为[array([[3], # [2], # [7], # [4]]), # array([[3], # [1], # [2], # [6]]), # array([[9], # [2], # [4], # [4]])] - 垂直分割数组和水平分割数组用法类似。
- max(a)返回矩阵a中最大值，max(a, axis=0)返回每一列的最大值，max(a, axis=1)返回每一行的最大值，argmax(a, axis=0)返回a的每一列中最大值的索引，argmax(a, axis=1)返回每一行中最大值的索引。min系列的用法类似，求平均值mean()，求中位数median()，求方差var()，求标准差std()也类似。
- 使用pad()可实现对数组的填充，可参考https://www.cnblogs.com/hezhiyao/p/8177541.html,其中若设定pad_width=c(常数)则设定各个维度的填充长度都为c。
- 使用diag()来创建对角矩阵：
np.diag(np.arange(7), k = -2) #创建主对角线下方第二个斜对角线元素为0，1，2，3，4，5，6的对角矩阵，默认k=0，即主对角元素 ''' array([[0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [3, 0, 0, 0, 0], [0, 4, 0, 0, 0], [0, 0, 5, 0, 0]]) ''' - 使用intersect1d()求两个数组的交集
np.intersect1d(np.arange(10), np.arange(5, 15))union1d()求并集，setdiff1d()求差集
- 使用floor()计算向下取整，使用ceil()计算向上取整
a = np.random.uniform(10, size=(4, 3)) print('a为：', a) print('向下取整为：', np.floor(a)) print('向上取整为：', np.ceil(a)) ''' a为： [[1.48043603 1.10139178 8.11631089] [5.87661904 3.48909693 9.84390292] [9.90676002 8.1304763 5.89695023] [8.42013761 5.80825214 6.49500302]] 向下取整为： [[1. 1. 8.] [5. 3. 9.] [9. 8. 5.] [8. 5. 6.]] 向上取整为： [[ 2. 2. 9.] [ 6. 4. 10.] [10. 9. 6.] [ 9. 6. 7.]] ''' -
使用astype()进行类型转换，将参数copy设置为False就是直接对原数组机型转换，为True就是对拷贝数组进行转换，默认为True。
a = np.random.uniform(10, size=(4, 3)) print('a为:\n', a) print('转换为整数后为：') print(a.astype(int)) ''' a为: [[1.29323846 4.34909029 2.24730222] [3.92151758 7.11321729 1.0087961 ] [7.20850234 2.87578861 9.07388942] [9.00594579 5.03391584 9.91513397]] 转换为整数后为： [[1 4 2] [3 7 1] [7 2 9] [9 5 9]] ''' -
使用sort()对数组进行排序（默认采用的是快排），对参数axis设定可按行或按列进行排序。
-
使用iinfo().max/iinfo().min获取numpy中某个整数类型的最大/小值，使用finfo().max/finfo().min获取numpy中某个浮点数类型的最大/小值
-
trunc()是去掉一个浮点数的小数部分结果仍为浮点数：
np.trunc(np.random.uniform(10, size=10) #结果为array([4., 7., 4., 2., 9., 3., 7., 3., 4., 6.]) - argsort()得到的是排好序的数组的在原数组的索引，可设定参数axis指定按行或按列进行排序：
''' a = [[45, 20, 57, 19, 54, 40], [52, 1, 43, 50, 19, 90], [ 3, 57, 13, 75, 26, 73], [96, 25, 93, 11, 15, 0], [51, 37, 7, 8, 58, 9], [16, 11, 53, 18, 92, 83]] ''' np.argsort(a, axis=0) ''' 结果为： array([[2, 1, 4, 4, 3, 3], [5, 5, 2, 3, 1, 4], [0, 0, 1, 5, 2, 0], [4, 3, 5, 0, 0, 2], [1, 4, 0, 1, 4, 5], [3, 2, 3, 2, 5, 1]]) ''' - bincount()用来统计一维数组中元素出现的次数, 只能统计非负整数：
b = np.random.randint(10, size=10) print('b为：\n',b) np.bincount('结果为：\n', b) ''' b为： [6 8 3 2 0 5 9 9 3 6] 结果为： array([1, 0, 1, 2, 0, 1, 2, 0, 1, 2]) #按从小到大的顺序给出各个元素出现的次数，如0出现一次，1出现0次，2出现1次，3出现2次... ''' - 使用nonzero()可以给出非零未知元素的索引：
b = np.random.randint(5, size=(5, 4)) b ''' 运行结果： array([[1, 0, 3, 1], [1, 4, 2, 4], [2, 1, 1, 1], [1, 0, 0, 2], [4, 0, 0, 1]]) '''np.nonzero(b) ''' 运行结果： (array([0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 4, 4]), array([0, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 3, 0, 3])) ''' - np.set_printoptions(precision=None, threshold=None, edgeitems=None, linewidth=None, suppress=None, nanstr=None, infstr=None)可以设值控制台数据输出的格式，precision表示显示小数点后的位数，threadhold表示不是用省略号的最少数据个数，suppress=True表示不适用科学记数法的形式输出。详见https://blog.csdn.net/weixin_43584807/article/details/103093874
- random.rand()和random.random()两个函数功能是一样的，只是参数的传入方式不一样。
- 使用percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation='linear', keepdims=False)来得到数组中的第a%处的数
np.percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation='linear', keepdims=False) a : array，用来算分位数的对象，可以是多维的数组 q : 介于0-100的float，用来计算是几分位的参数，如四分之一位就是25，如要算两个位置的数就(25,75) axis : 坐标轴的方向，一维的就不用考虑了，多维的就用这个调整计算的维度方向，取值范围0/1 out : 输出数据的存放对象，参数要与预期输出有相同的形状和缓冲区长度 overwrite_input : bool，默认False，为True时及计算直接在数组内存计算，计算后原数组无法保存 interpolation : 取值范围{'linear', 'lower', 'higher', 'midpoint', 'nearest'} 默认liner，比如取中位数，但是中位数有两个数字6和7，选不同参数来调整输出 keepdims : bool,默认False,为真时取中位数的那个轴将保留在结果中 - sum()作用在布尔数组上时，结果是True的个数。
- where()的用法：
#用法一：当调用方式为np.where(condition, x, y)时，表示condition满足时取x，否则取y a = np.random.randint(20, size=(3, 3)) ''' [[ 2 10 4] [11 11 19] [ 4 13 18]] ''' np.where(a % 2 == 1, 'odd', 'even') ''' array([['even', 'even', 'even'], ['odd', 'odd', 'odd'], ['even', 'odd', 'even']], dtype='<U4') ''' #用法二：当调用方式为np.where(condition)时，输出数组中满足条件的元素的位置 np.where(a % 2 == 1) ''' (array([1, 1, 1, 2]), array([0, 1, 2, 1])) ''' - unique(ar, return_index=False, return_inverse=False, return_counts=False,axis=None)的作用是，去除数组ar的重复元素之后，再按从小到大的顺序进行排序：
a = np.random.randint(10, size=10) ''' array([3, 5, 9, 3, 1, 9, 2, 4, 0, 4]) ''' #return_index=True表示输出新数组中各元素在原数组中的第一处出现时的索引 np.unique(a, return_index=True) ''' (array([0, 1, 2, 3, 4, 5, 9]), array([8, 4, 6, 0, 7, 1, 2])) ''' #return_inverse表示输出原数组中各元素在新数组中的索引 np.unique(a, return_inverse=True=True) ''' (array([0, 1, 2, 3, 4, 5, 9]), array([3, 5, 6, 3, 1, 6, 2, 4, 0, 4])) ''' #return_count表示输出新数组中各元素在原数组中出现的次数 np.unique(a, return_counts=True) ''' (array([0, 1, 2, 3, 4, 5, 9]), array([1, 1, 1, 2, 2, 1, 2])) ''' - concatenate((a1,a2,...), axis=0)可实现对数组的拼接，执行效率比append()要高。对二维数组进行拼接时，参数设置为axis=0时进行垂直拼接，和vstack()效果一样，设置为axis=1时进行水平拼接，和hstack()效果一样
a1 = np.arange(5) a2 = np.arange(5, 11) np.concatenate((a1, a2)) ''' array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) ''' a3 = np.arange(9).reshape(3, 3) ''' array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) ''' a4 = np.arange(9, 18).reshape(3, 3) ''' array([[ 9, 10, 11], [12, 13, 14], [15, 16, 17]]) ''' np.concatenate((a3, a4), axis = 0) #和np.vstack((a3, a4))效果一样 ''' array([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11], [12, 13, 14], [15, 16, 17]]) ''' np.concatenate((a3, a4), axis=1) #和np.hstack((a3, a4))效果一样 ''' array([[ 0, 1, 2, 9, 10, 11], [ 3, 4, 5, 12, 13, 14], [ 6, 7, 8, 15, 16, 17]]) ''' - amax()和max()是同一个函数，amin和min是同一个函数。
- apply_along_axis(func, axis, arr, *args, **kwargs)函数的作用是将func作用于arr的每一个元素生成新的数组
a = np.random.randint(20, size=(3, 3)) ''' array([[ 5, 12, 11], [13, 18, 0], [13, 19, 14]]) ''' np.apply_along_axis(np.sum, 1, a) #计算a中每一行的和 ''' array([28, 31, 46]) ''' -
a = np.array([1 + 2j, 3 + 4j, 5 + 6j]) print("实部：", a.real) #打印a的实部 print("虚部：", a.imag) #打印a的虚部 - '='是引用的赋值，如a=b,则a和b指向的都是同一个数据，而copy()是生成一个副本再赋值，如b=a.copy()，a和b指向的不是同一个数据。
- allclose(a, b, rtol=1e-05, atol=1e-08, equal_nan=False)作用是比较两个数组每一个元素是否都相等，误差默认为1e-5。
- 使用linalg.norm(x, ord=None, axis=None)来计算向量(一维数组)或矩阵（二维数组）的范数，当计算一维数组的范数时，axis参数无效。当以二维数组为对象计算范数时，若不设定axis的值是计算矩阵的范数，当设定axis=1或0时，则计算矩阵中每一行或列的向量范数。
For values of ord <= 0, the result is, strictly speaking, not a mathematical ‘norm’, but it may still be useful for various numerical purposes. The following norms can be calculated: ord norm for matrices norm for vectors None Frobenius norm 2-norm ‘fro’ Frobenius norm – inf max(sum(abs(x), axis=1)) max(abs(x)) -inf min(sum(abs(x), axis=1)) min(abs(x)) 0 – sum(x != 0) 1 max(sum(abs(x), axis=0)) as below -1 min(sum(abs(x), axis=0)) as below 2 2-norm (largest sing. value) as below -2 smallest singular value as below other – sum(abs(x)**ord)**(1./ord)a = np.random.randint(-10, 10, 5) ''' array([ 1, -1, 1, -1, 3]) ''' np.linalg.norm(a, ord=1) #计算向量a的1-范数 ''' 7.0 ''' np.linalg.norm(a, ord=np.inf) #计算向量a的无穷范数 ''' 3.0 ''' np.linalg.norm(a) #默认计算2-范数 ''' 3.605551275463989 ''' x = np.random.randint(-10, 10, size=(3, 3)) ''' array([[ -2, 9, 7], [ 1, -3, 8], [ 7, -10, 5]]) ''' np.linalg.norm(x) #默认计算F-范数 ''' 19.544820285692065 ''' np.linalg.norm(x, ord=2) #计算矩阵x的2范数 ''' 15.516628929433754 ''' np.linalg.norm(x, ord=1, axis=1, keepdims=True) #计算X中每一行向量的1-范数 ''' array([[18.], [12.], [22.]]) ''' -
corrcoef(x, y=None, rowvar=True, bias=<no value>, ddof=<no value>)用于计算相关系数x： array_like，包含多个变量和观测值的1-D或2-D数组，x的每一行代表一个变量，每一列都是对所有这些变量的单一观察 y： array_like, 可选，另外一组变量和观察，y具有与x相同的列。对x的进一步补充，相当于直接垂直并到x的下方 rowvar： bool, 可选，如果rowvar为True（默认值），则每行代表一个变量，并在列中显示。否则，转换关系：每列代表一个变量，而行包含观察。 bias： _NoValue，可选，没有效果，请勿使用 ddof： _NoValue，可选，没有效果，请勿使用 -
使用linalg.eig(x)计算方阵x的特征值和特征向量
-
使用
diff(a, n=1, axis=-1, prepend=<no value>, append=<no value>)来计算一维数组或二维数组中相邻两元素的差值''' a = array([ 1, -1, 1, -1, 3]) ''' np.diff(a) #计算一次一维数组a中相邻两元素的差值 ''' array([-2, 2, -2, 4]) ''' np.diff(a, 2) #计算两次a中两元素的差值，第二次计算是在第一次的结果上进行的计算 ''' array([ 4, -4, 6]) ''' ''' x = array([[ -2, 9, 7], [ 1, -3, 8], [ 7, -10, 5]]) ''' np.diff(x, n=2, axis=1) #计算两次x中每一行相邻两元素的差值 ''' array([[-13], [ 15], [ 32]]) ''' -
cumsum(a, axis=None, dtype=None, out=None)用于计算累加和
Z = np.random.randint(1, 10, 10) print(Z) ''' [第一个元素, 第一个元素 + 第二个元素, 第一个元素 + 第二个元素 + 第三个元素, ...] ''' np.cumsum(Z) ''' [4 4 6 1 7 4 8 6 7 4] array([ 4, 8, 14, 15, 22, 26, 34, 40, 47, 51]) ''' -
使用np.c_[a, b]对a和b两个数组按列进行连接，np.r_[a, b]对a和b按行进行连接
a = np.arange(3) b = np.arange(3, 6) np.c_[a, b] #将a和b两个一维数组按列进行连接 ''' array([[0, 3], [1, 4], [2, 5]]) ''' np.r_[a, b] #将a和b两个一维数组按行进行连接 ''' array([0, 1, 2, 3, 4, 5]) ''' x = np.arange(6).reshape(3, 2, order='C') ''' array([[0, 1], [2, 3], [4, 5]]) ''' y = np.arange(6, 12).reshape(3, 2) ''' array([[ 6, 7], [ 8, 9], [10, 11]]) ''' np.c_[x, y] #将x和y两个矩阵按列进行连接 ''' array([[ 0, 1, 6, 7], [ 2, 3, 8, 9], [ 4, 5, 10, 11]]) ''' np.r_[x, y] #将x和y两个矩阵按行进行连接 ''' array([[ 0, 1], [ 2, 3], [ 4, 5], [ 6, 7], [ 8, 9], [10, 11]]) ''' -
以函数的形式创建数组
np.fromfunction(lambda x: x ** 2, (5,)) #创建一维数组，x维数组中元素的下标 ''' array([ 0., 1., 4., 9., 16.]) ''' np.fromfunction(lambda x, y: x + y, (3, 3)) #创建二维数组，x,y维数组中元素的下标 ''' array([[0., 1., 2.], [1., 2., 3.], [2., 3., 4.]]) ''' -
(XWZ)的Python学习笔记Ⅷ--------numpy
387
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
