目录
1. Numpy基本操作
1.1 列表转为矩阵:array是numpy中最基础的对象
1.2 维度:array.ndim
1.3 行数和列数():array.shape
1.4 元素个数:array.size
2. Numpy创建array
2.1 一维array创建
import numpy as np
a = np.array([2,23,4], dtype=np.int32)
2.2 多维array创建
a = np.array([[2,3,4],
[3,4,5]])
2.3 创建全零数组:np.zeros((a,b))
2.4 创建全1数据:np.ones((a,b))
2.5 创建全空数组:np.empty((a,b))
2.6 创建连续数组:np.arange
2.7 reshape操作:b = a.reshape((2,3))
2.8 创建连续型数据
a = np.linspace(1,10,20) # 开始端1,结束端10,且分割成20个数据,生成线段
2.9 linspace的reshape操作:linspace也可以reshape
3. Numpy基本运算
3.1 一维矩阵运算
import numpy as np
a = np.array([10,20,30,40])
b = np.arange(4)
c = a - b # 矩阵对应元素相减,结果是[10 19 28 37]
c = a*b # 矩阵对应元素相乘,结果是[ 0 20 60 120]
c = a.dot(b) # 向量点积运算,结果是200
c = b**2 # 每个元素平方,结果是[0 1 4 9]
c = np.sin(a) # 套用数学函数(元素层面)
print(b<2) # 元素的bool数组,结果是[ True True False False]
a = np.array([1,1,4,3])
b = np.arange(4)
print(a==b) # 元素比较,同理。结果是[False True False True]
3.2 多维矩阵运算
a = np.array([[1,1],[0,1]])
b = np.arange(4).reshape((2,2))
c = a.dot(b) #矩阵乘法
c = np.dot(a,b) #另一种等价形式。多维矩阵乘法不能直接使用'*'号
np.sum(a) #元素之和
np.min(a)
np.max(a)
"""
如果需要对行或者列进行查找运算,
就需要在上述代码中为 axis 进行赋值。
当axis的值为0的时候,将会以列作为查找单元,
当axis的值为1的时候,将会以行作为查找单元。
"""
3.3 基本计算
import numpy as np
A = np.arange(2,14).reshape((3,4))
print(np.argmin(A)) # 最小元素的索引,结果0
print(np.argmax(A)) # 最大元素的索引,结果11
print(np.mean(A)) # 整个矩阵元素的均值,结果7.5
print(np.average(A)) # 7.5
print(A.mean()) # 7.5
print(np.median(A)) # 中位数,结果7.5
print(np.cumsum(A)) # 累加
有几个有意思的运算,首先是累差和非0元素的位置返回
# 累差运算
B = np.array(