numpy用法

• np.random.rand（）生成0-1的随机数

import numpy as np
x = np.random.rand()
y = np.random.rand(2)
ya = np.random.rand(2) * 5
z = np.random.rand(2, 3)
za = np.random.rand(2, 3) * 10
print('无参数', x)
print('一维数组', y)
print('改变数值范围的一维数组', ya)
print('二维数组', z)
print('改变数值范围的二维数组', za)

结果
无参数 0.7391395928409248
一维数组 [0.00565705 0.92848076]
改变数值范围的一维数组 [0.9262947  4.88632586]
二维数组 [[0.41234418 0.42370892 0.85567657]
 [0.80341292 0.08865113 0.9045992 ]]
改变数值范围的二维数组 [[0.12050124 4.78838778 7.29748695]
 [8.46214143 4.32422204 2.98549951]]

• numpy.histogram2d 计算两个数据样本的二维直方图。
  numpy.histogram2d（x，y，bins = 10，range = None，normed = None，weights = None，density = None ）

参数：	
x ： array_like，shape（N，）
包含要进行直方图的点的x坐标的数组。
y ： array_like，shape（N，）
包含要进行直方图的点的y坐标的数组。
bin ： int或array_like或[int，int]或[array，array]，可选			
			如果是int，则为两个维度的bin数（nx = ny = bin）。
			如果是array_like，则为两个维度的bin边缘（x_edges = y_edges = bin）。
			如果[int，int]，则每个维度中的bin数（nx，ny = bin）。
			如果[array，array]，则每个维度中的bin边缘（x_edges，y_edges = bin）。
			组合[int，array]或[array，int]，其中int是bin和array的数量是bin边缘。
range ： array_like，shape（2,2），可选
沿着每个维度仓的最左和最右边缘（如果不是在明确指定仓参数）： 。超出此范围的所有值都将被视为异常值，而不会在直方图中计算。[[xmin, xmax], [ymin, ymax]]
密度 ： bool，可选
如果为False，则默认值返回每个bin中的样本数。如果为True，则返回bin处的概率密度函数 。bin_count / sample_count / bin_area
normed ： bool，可选
密度参数的别名，其行为相同。为避免与破坏的标准论证混淆histogram， 应优先考虑密度。
权重 ： array_like，shape（N，），可选
w_i衡量每个样本的一系列值。如果标准为True，则权重标准化为1 。如果normed为False，则返回的直方图的值等于属于落入每个bin的样本的权重之和。(x_i, y_i)
返回：	
H ： ndarray，形状（nx，ny）
样本x和y的二维直方图。x 中的值沿第一维直方图，y中的值沿第二维直方图。
xedges ： ndarray，shape（nx + 1，）
沿第一维度的箱边缘。
yedges ： ndarray，shape（ny + 1，）
bin沿第二维边缘。

• numpy.meshgrid（* xi，** kwargs ）

numpy.meshgrid（* xi，** kwargs ）
从坐标向量返回坐标矩阵。
在给定一维坐标数组x1，x2，...，xn的情况下，使ND坐标数组用于ND网格上的ND标量/矢量场的矢量化评估。
版本1.9中更改：允许1-D和0-D情况。
参数：	
x1，x2，...，xn ： array_like
表示网格坐标的一维数组。
索引 indexing ： {'xy'，'ij'}，可选
笛卡尔（'xy'，默认）或矩阵（'ij'）输出索引。有关详细信息，请参阅注释
1.7.0版中的新功能。
稀疏 sparse  ： bool，可选
如果为True，则返回稀疏网格以节省内存。默认值为False。
1.7.0版中的新功能。
copy ： bool，可选
如果为False，则返回原始数组的视图以节省内存。默认为True。请注意， 可能会返回非连续数组。此外，广播阵列的多于一个元素可以指代单个存储器位置。如果需要写入数组，请先进行复制。sparse=False, copy=False
1.7.0版中的新功能。
返回：	
X1，X2，...，XN ： ndarray
对于具有长度的向量x1，x2，...，'xn'，如果indexing ='ij'则Ni=len(xi)返回形状数组;如果indexing ='xy' ，则返回形状数组，其中xi的元素重复以沿x1的第一维填充矩阵，第二个用于x2，依此类推。(N1, N2, N3,...Nn)(N2, N1, N3,...Nn)


简单例子：
xpos, ypos = np.meshgrid([1, 2, 3], [5, 6, 7, 8])
print('xpos', xpos)
print('ypos', ypos)
结果：
xpos [[1 2 3]
 [1 2 3]
 [1 2 3]
 [1 2 3]]
ypos [[5 5 5]
 [6 6 6]
 [7 7 7]
 [8 8 8]]

• ndarray.flatten()
  顺序 ： {‘C’，‘F’，‘A’，‘K’}，可选
  'C’表示以行主（C风格）顺序展平。'F’表示以列主要（Fortran风格）顺序展平。如果a是Fortran 在内存中是连续的，那么’A’意味着以列主顺序展平，否则为行主顺序。“K”是指压扁 一个中的元素发生在存储器中的顺序。默认值为“C”。

a = np.array([[1,2], [3,4]])
print(a.flatten())
print(a.flatten('F'))
结果：
array([1, 2, 3, 4])
array([1, 3, 2, 4])

• numpy.zeros_like（a，dtype = None，order =‘K’，subok = True ）
  返回与给定数组具有相同形状和类型的零数组。
  https://docs.scipy.org/doc/numpy/reference/generated/numpy.zeros_like.html?highlight=zeros_like#numpy.zeros_like
  简单用法
  np.zeros_like(([ 0., 1., 2.]))
  返回 ([ 0., 0., 0.])
• ones_like 用法同上 返回与给定数组具有相同形状和类型的1数组