python入门-numpy

一.调取包

import numpy as np

二.数组基本操作

#初始化

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

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

c = np.array([1,2,3],dtype=np.int64)    #指定数据类型的初始化

#像list那样索引a[0]，切片

type(a)    #numpy.ndarray 数组a的类型

a.dtype    #数组a的数据类型

b.shape    #(2,3)

#一些常用初始化

a = np.zeros((2,3))    #2*3全0 ndarray

b = np.ones((2,3))    #2*3全1 ndarray

c = np.full((2,3),8)    #2*3全8 ndarray

d = np.eye(3)    #3*3的单位矩阵

e = np.random.random((2,3))    #2*3随机数 ndarray

f = np.empty((2,3,4))    #2*3*4的空数组

g = np.arange(15)    #[0,1,2,3,4,5,6,7,8,9,10,11,12,13,14]

#数组取值赋值

#可以像list那样切片（多维数组可以各个维度同时切）

#注意1

#切片只是一个引用，比如

a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

b = a[0:3,0:2]    #b=[[1,2],[5,6],[9,10]]

#这是如果修改b[0][0]=1111,则b= [[1111,2],[5,6],[9,10]]，但可怕的是a也变为[[1111,2,3,4],[5,6,7,8],[9,10,11,12]]

#所以这么切片操作出来的b只是个像pointer这样的东西

#可以使用b = np.copy(a[0:3,0:2]),这样再修改b就不会对a有影响

#注意2

#仍有a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

b1 = a[1,:]    #这是b1 = [5,6,7,8]    #b1.shape=(4,)

b2 = a[1:2,:]    #这是b2 = [[5,6,7,8]]    #b2.shape=(1,4)

#另一些高级取值方法

a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

b = a[[0,1,2],[0,2,3]]    #b = [a[0][0],a[1][2],a[2][3]]

#或b = a[np.arange(3),[0,2,3] ]

#用条件判定去取

bool_index = (a>2)

#a>2的索引为true

bool_index = [[False,False,True,True],[True,True,True,True],[True,True,True,True]]

#然后利用a[bool_index]就把符合条件的元素取出来组成一个list

#当然也可以直接b = a[a>2]

三.数学运算

x = np.array([[1,2],[3,4]], dtype=np.float64)

y = np.array([[5,6],[7,8]], dtype=np.float64)

#逐元素求和

x+y

np.add(x,y)

#逐元素作差

x-y

np.subtract(x,y)

#逐元素相乘

x*y

np.multiply(x,y)

#逐元素相除

x/y

np.divide(x,y)

#逐元素求平方根

np.sqrt(x)

v = np.array([1,2])

w = np.array([3,4])

#求两vector点积

v.dot(w)

np.dot(v,w)

#matrix与vector相乘

x.dot(v)

np.dot(x,v)

#matrix与matrix相乘

x.dot(y)

np.dot(x,y)

np.matmul(x,y)

#注意，三维以上np.dot(x,y)与np.matmul(x,y)有区别

x = np.arange(24).reshape(2,3,4)

y = np.arange(16).reshape(2,4,2)

np.dot(x,y)得出一个2*3*2*2的tensor

np.matmul(x,y)得出一个2*3*2的tensor

#像v,w这样一维vector转置还是自己

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

#像u这样初始化就是一个1*3维的二维数组

#u.T就是array([[1],[2],[3]])，3*1维的二维数组

#高维转置*

#矩阵内所有元素求和

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

x.sum()

np.sum(x)

#对某一维求和

np.sum(x,axis=0),对第0维求和就是对列求和，得到[4,6]

np.sum(x,axis=1),对第1维求和就是对行求和，得到[3,7]

np.cumsum(x,axis=0)

得到

[[1 2]

[4 6]]

np.cumsum(x,axis=1)

得到

[[1 3]

[3 7]]

同样还有np.cumprod(x,axis=0)

（图片描述第0轴与第一轴的方向）

四.数组排序

#一维数组

arr = np.random.randn(9)

arr.sort()    #arr变为排序后的

#二维数组在某些维度上排序

arr2 = np.random.randn(5，3)

arr2.sort(axis=0)    #在0维度上排序

arr2.sort(axis=1)    #在1维度上排序

五.广播（broadcasting）

对两个矩阵进行操作时，numpy逐元素的比较他们的形状，从后面的维度向前执行。当以下情况出现时，两个维度是兼容的：

1.他们相等

2.其中一个是1

六.逻辑运算

x_arr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])

y_arr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])

cond = np.array([True, False, True, True, False])

np.where(cond, x_arr, y_arr)    #cond里为true取x_arr,为false取y_arr

七.其他高级操作 

numpy可以很容易地把一维数组转成二维数组，三维数组。

arr = np.arange(20)

arr2 = arr.reshape(2,2,5)    #arr2变成维度2*2*5的,arr还是不变

如果我们在某一个维度上写上-1，numpy会帮我们自动推导出正确的维度

other_arr = np.ones((4,5))

arr.reshape(other_arr.shape)    #按照other_arr的维度重塑arr

#高维数组可以用ravel来拉平

arr2.ravel()    #arr2变回一维数组

#连接两个二维数组

arr1 = np.array([[1,2,3],[4,5,6]])

arr2 = np.array([[7,8,9],[10,11,12]])

np.concatenate((arr1,arr2),axis=0)     

np.vstack((arr1, arr2)) # vertical stack

np.r_[arr1, arr2]    #按行堆叠

#以上三种方式都得到array([[ 1, 2, 3],[ 4, 5, 6],[ 7, 8, 9],[10, 11, 12]])

np.concatenate((arr1,arr2),axis=1)     

np.hstack((arr1, arr2)) # horizontal stack

np.c_[arr1, arr2]    #按列堆叠

#以上三种方式都得到array([[ 1, 2, 3, 7, 8, 9],[ 4, 5, 6, 10, 11, 12]])

#拆分数组

arr = np.random.rand(5,5)

first, second, third = np.split(arr, [1,3], axis=0)    #截成三个数组，在第一个和第三个位置截

#数组形状修改

arr = np.arange(4).reshape(2,2)

# arr = [[0,1],[2,3]]

#元素重复

arr = np.arange(3)

arr.repeat(3)    #得到[0,0,0,1,1,1,2,2,2]

arr.repeat([1,3,5])    #得到[0,1,1,1,2,2,2,2,2]    按元素重复     

arr.repeat(2,axis=0)    

#arr = [[0,1],[0,1],[2,3],[2,3]]

arr.repeat(2,axis=1)    

#arr = [[0,0,1,1],[2,2,3,3]]

#tile贴瓷砖一样重复数组

arr = np.arange(4).reshape(2,2)

np.tile(arr,2)

#得到array([[0, 1, 0, 1],

           [2, 3, 2, 3]])

np.tile(arr,(2,3))

#得到array([[0, 1, 0, 1, 0, 1],

            [2, 3, 2, 3, 2, 3],

            [0, 1, 0, 1, 0, 1],

            [2, 3, 2, 3, 2, 3]])

八.numpy文件输入输出

#save

np.save('some_array', arr)    #已有一个arr保存为some_array.npz

#读取

arr2 = np.load('some_array.npy')

#保存多个

np.savez("array.npz", a=arr, b=arr2, c=arr3)#已有arr1,arr2,arr3,保存在array.npz中，名字为a,b,c

#读取多个

arch = np.load('array_archive.npz') #arch['a'],arch['b'],arch['c']就是对于三个之前保存的数组

#读取txt文件作为数组，间隔号为逗号

arr = np.loadtxt('array_ex.txt', delimiter=',')