Python NumPy入门归纳~持续更新

NumPy使用的一种矩阵式数据结构管理数据，比Python的list和标准库的array更加强大，使用简便。此篇简单归纳逼逼叨Numpy入门，持续补充。。。。

1.Numpy Reference documentation:

   Interactive help:     numpy.array?

   Looking for something:      numpy.lookfor('create array')

2.Create arrays

   b =np.array([[0,1, 2],[3, 4, 5]])   # 2 x 3 array

   b.ndim获取b的dimension

   b.shape  输出  (2,3)   表示  2*3 array

   len(b)   输出  2   返还array的第一个维度的大小

3.Functions for creating arrays

   numpy.arange(a, b, c)  :  a 起始值  b 终止值  c 步长

   numpy.linspace(a ,b , c):  a 起始值 b 终止值  c 元素个数

   arange 和linspace都是创建等距数列，且都指定起始和终止值，但一个指定步长，linspace等距划分指定个数

     numpy.ones ( (i , j) )  ,  numpy.zeros ( ( i, j) ) 创建 i*j 且元素全部为0或1的阵列

   

    numpy.random.rand(4) :  # uniform  in  [0 , 1]

    array([ 0.95799151,  0.14222247,  0.08777354,  0.51887998])

    4.Indexing and slicing

    注意：在二维矩阵里，第一维对应行，第二维对应列

    Slicing: 对矩阵分割切片

    numpy.arange(10) [2 , 9, 3]     #   [ start : end : step ]

    默认情况下，起始0，终止最后一个，步长为1

   

   

   4.Copies and views

   a = np.arange(10) ，b = a 则这两个数列共享同一段内存，用numpy.may_share_memory(a,b)即可检测，而用  c = a.copy() 则只   是将数据赋值过去，并不共享内存。所以修改b的数据，共享内存的a也会一并修改，而c不受影响。 

   5.Fancy indexing

   a=numpy.arange(10)

   ( ａ％  3  ==  0)  则输出bool型array判断是否符合

   若要输出对应符合条件元素：

• mask=(a%3==0)
• extract_from_a=a[mask]
• extract_from_a

    修改符合条件元素：    a [a  %   3 == 0]  =  -1

 

    indexing with an array of integers

   

   

   

  

    

    6. Other operations

    Array  a  , b 进行比较，同等维度，且size一样：

    a==b,   a>b  , np.array_equal( a, b)  返还array 的 dtype = bool

    还能进行与和或比较：

    np.logical_or(a, b)      np.logical_and(a, b)

    Transcendental functions:

    np.sin(a)    np.log(a)    np.exp(a)

    Transposition:  a.T进行矩阵转置

    7.Basic reductions

    计算和： x = np.array( [ [1, 1], [2, 2] ])

    sum by rows and colums:  x.sum(axis=0)   x[ : , 0].sum()   x[ : , 1].sum()  即可通过索引 indexing方式计算和sum()

    Other reductions: 寻找array x中的特殊值

    x.min()    x.max()    x.argmin()    x.argmax()    x.mean()     x.median()   注意：括号中可添加索引indexing，例如numpy.median(y,axis=1)

    numpy.all()    numpy.any()  括号中为判断条件或者bool型值，all为判断是否括号中所有条件为真，而any判断括号中是否存在真值

    例如：numpy.all ( [ True, True, False ] )    numpy.any ( [ False, False, True] )

    numpy.tile(a, k)  tile函数能将array   a 复制k组

    Array shape manipulation ：

    将array a转变成一维数组使用函数 a.ravel(), 重新转成 i*j 的矩阵使用函数 a. reshape ( ( i*j ) )

    和 reshape() 函数有着类似功能的是 transpose(), 能够改变矩阵的维度

   

    

     a.resize() 能够改变矩阵某一围度的size，但是注意矩阵a不能被引用，例如 b = a， 因为共享内存，resize()函数无法同时修改 b 占用的内存

     sort()函数可以对矩阵里的元素大小进行排序，可以使用 numpy.sort()  或者  a.sort()