Python3----Numpy总结

Python–Numpy

1. 导包

import numpy as np

2. 创建一个数组Array（不同于List）

array1 = np.array([1,2,3,4,5])# 数组当中存储相同的数据类型，不同于一般的列表
print(array1)

[1 2 3 4 5]

print(array1.dtype) # 查看当前数组中存储数据的数据类型

int32

array2 = np.array([1.,2,3,4])

print(array2) #If types do not match,Numpy will upcast if possbile(here,integers are upcast to flating point)

[1. 2. 3. 4.]

array3 = np.array([1,2,3,4],dtype = 'float64') #在定义时将数据类型转换
print(array3.dtype)

float64

np.array([range(i,i+3) for i in [2,3,4]]) # 可创建多维数组

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

3. 使用numpy创建一些特殊的数组

np.zeros(10,dtype='float32') #创建一个长度为10的，数据类型为float32 的数组

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], dtype=float32)

np.zeros([2,3],dtype='int32') #创建一个两行三列的数组

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

np.ones([3,3],dtype='float32') #数组的形状可以用元组代替列表

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]], dtype=float32)

np.full((2,2),3.14) #创建一个全部由3.14来填充的数组

array([[3.14, 3.14],
       [3.14, 3.14]])

np.arange(1,10,2) #创建一个线性序列，从1开始，10结束，步长为2，且不包含10

array([1, 3, 5, 7, 9])

np.linspace(0,1,5) #创建一个从0到1包含5个等间距点的数组

array([0.  , 0.25, 0.5 , 0.75, 1.  ])

np.random.random((3,3)) #create a 3x3 array of uniformly distributed,random values between 0 and 1

array([[0.96106772, 0.53449777, 0.99360549],
       [0.02162571, 0.90131666, 0.16706767],
       [0.27723283, 0.88013812, 0.96710278]])

np.random.normal(0,1,(3,3)) #with mean 0 and standard deviation 1,标准正态分布

array([[-0.00746501,  0.7445069 , -0.9031185 ],
       [-0.16900041,  0.69525934, -2.18961853],
       [-1.55475733, -0.33409044,  0.75753941]])

np.random.randint(1,10,(3,3)) #创建一个int数组，值在1,10之间

array([[5, 8, 5],
       [4, 4, 2],
       [3, 9, 4]])

np.eye(4) #创建一个单位矩阵

array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

np.empty(2) #创建一个空数组，保存的值为当前内存中的值，未经初始化

array([5.43230922e-312, 7.29112202e-304])

4. Array的元素属性

np.random.seed(0) #创建随机数种子，保证实验的可重复性

x1 = np.random.randint(1,10,size=(2,3,5)) #创建一个3维数组

print(x1)

[[[6 1 4 4 8]
  [4 6 3 5 8]
  [7 9 9 2 7]]

 [[8 8 9 2 6]
  [9 5 4 1 4]
  [6 1 3 4 9]]]

print("x1 ndim:",x1.ndim) #x1 的维数
print("x1 shape",x1.shape)#x1 的形状
print("x1 size",x1.size) #x1 数组内的个数

x1 ndim: 3
x1 shape (2, 3, 5)
x1 size 30

5. Array 元素取值

element = np.arange(1,10,2)

print(element[0]) #取数组第一个元素
print(element[-1]) #取数组倒数第一个元素，即最后一个元素

1
9

elements = np.random.randint(1,10,(3,3))
print(elements)

[[8 4 3]
 [8 3 1]
 [1 5 6]]

print(elements[1][1]) #第二行第二列

3

print(elements[1,1]) #作用同上

3

elements[1,1] = 12
print(elements)

[[ 8  4  3]
 [ 8 12  1]
 [ 1  5  6]]

elements[0,0] = 3.14 #Numpy 会自动的修改数据类型。Don't be caught by this behavior!
print(elements)

[[ 3  4  3]
 [ 8 12  1]
 [ 1  5  6]]

6. Array 切片 Slicing

slicing = np.arange(10)

print(slicing[:3]) #前包后不包
print(slicing[8:]) 
print(slicing[6:-1]) #[6:-1)

[0 1 2]
[8 9]
[6 7 8]

print(slicing[::2]) #步长为2取值
print(slicing[::-1]) #反序

[0 2 4 6 8]
[9 8 7 6 5 4 3 2 1 0]

mutl = np.random.randint(1,10,[3,3])
print(mutl)

[[8 4 7]
 [8 3 1]
 [4 6 5]]

print(mutl[:1,:1]) #取第一行第一列的值

[[8]]

print(mutl[:1,::2]) #取第1行，步长为2的列的值

[[8 7]]

print(mutl[0,:]) #取第一行的所有列
print(mutl[0])

[8 4 7]
[8 4 7]

list1 = range(10)
for i in list1:
    print(i,end =" ")
print("")
tmp = list1[3]
tmp = 20
for i in list1:
    print(i,end =" ")

0 1 2 3 4 5 6 7 8 9 
0 1 2 3 4 5 6 7 8 9 

array1 = np.arange(10).reshape(2,5) # 改变数组的形状shape
print(array1)
tmp = array1[:,1]
print(tmp)
tmp[0] = 20
print(array1) #当我们用变量接收数组的切片结果时，我们改变变量的值，如同改变原有数组中的值

[[0 1 2 3 4]
 [5 6 7 8 9]]
[1 6]
[[ 0 20  2  3  4]
 [ 5  6  7  8  9]]

tmp2 = array1[:,1].copy()
print(tmp2)

[20  6]

tmp[0] = 1
print(array1)

[[0 1 2 3 4]
 [5 6 7 8 9]]

7. Array数组的拼接

x = np.array([1,2,3])
y = np.array([3,2,1])
np.concatenate([x,y]) # a tuple or a list

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

z = np.array([99,99,99])
np.concatenate([x,y,z])

array([ 1,  2,  3,  3,  2,  1, 99, 99, 99])

grid = np.arange(1,7).reshape(2,3)
print(grid)

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

np.concatenate([grid,grid]) #concatenate along the first axis(zero-indexed)

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

np.concatenate([grid,grid],axis = 1) # concatenate along the second axis(zero-indexed)

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

np.vstack([grid,grid]) #竖直拼接

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

np.hstack([grid,grid]) #水平拼接

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

1. 轴这个概念是为不止一个维度的数组准备的；
2. axis = 0,第一个维度，垂直向下贯穿所有行数据，数据聚合时，注意贯穿，合并数组时，注意垂直向下；
3. axis = 1,第二个维度，水平贯穿所有列数据，注意的点如上；

x = np.arange(10)
print(x)

[0 1 2 3 4 5 6 7 8 9]

x1,x2,x3 = np.split(x,[1,3]) #数组分段[:1][1:3][3:]下标
print(x1,x2,x3)

[0] [1 2] [3 4 5 6 7 8 9]

y = np.arange(1,13).reshape(3,4)
print(y)

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

y1,y2 = np.vsplit(y,[1])
print(y1,"\n",y2)

[[1 2 3 4]] 
 [[ 5  6  7  8]
 [ 9 10 11 12]]

y3,y4 = np.hsplit(y,[1])
print(y3,"\n",y4)

[[1]
 [5]
 [9]] 
 [[ 2  3  4]
 [ 6  7  8]
 [10 11 12]]

print(y)
print(y.sum(axis=0)) #列的和,即贯穿所有行
print(y.sum(axis=1)) #行的和

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
[15 18 21 24]
[10 26 42]

8. Array数学函数

print(y.min(),y.max()) #最大、最小值

1 12 3.452052529534663

print(y.var(),y.std()) #方差、标准差

11.916666666666666 3.452052529534663

9. Rules of Broadcasting

• If the two arrays differ in their number of dimensions,the shape of the one with fewer dimensions is padded with ones on its leading (left)side;
• If the shape of the two arrays does not match in any dimension,the array with shape equal to 1 in that dimension is stretched to match the other shape;
• If in any dimension the sizes disagree and neither is equal to 1,an error is raised.