numpy

NumPy

https://www.runoob.com/numpy/numpy-indexing-and-slicing.html

https://blog.csdn.net/weixin_44385465/article/details/115050077

ndarray对象

ndarray 内部结构

属性获取

import numpy as np
# 秩
np.ndim         # 即轴的数量或维度的数量                             
#形状
np.shape 	# 数组的维度，对于矩阵，n 行 m 列   
#大小
np.size 	# 数组元素的总个数，相当于 .shape 中 n*m 的值  
#元素数据类型
np.dtype 	# np 对象的元素类型    
#元素占用空间大小
np.itemsize 	# np 对象中每个元素的大小，以字节为单位
#对象内存布局
np.flags 	# np 对象的内存信息
#实部
np.real 	# np元素的实部
#虚部
np.imag 	# np 元素的虚部
#内存地址
np.data 	#包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

数组

常见数组创建

#创建空矩阵
numpy.empty(shape, dtype = float, order = 'C')
# 创建 0 矩阵
numpy.zeros(shape, dtype = float, order = 'C')
# 创建 1 矩阵
numpy.ones(shape, dtype = None, order = 'C') # 创建指定形状的数组，数组元素以 1 来填充
#创建对角矩阵     np.eye(5) 创建5行5列的二维对角阵 
numpy.eye(N, M=None, k=0, dtype=<class 'float'>, order='C') 

#已有列表、元组创建
numpy.asarray(a, dtype = None, order = None)
# x = [1,2,3] or x = (1,2,3) 
# a = np.asarray(x)  

创建序列数组

# 根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray
numpy.arange(start, stop, step, dtype)
# 创建一个一维等差数列数组，范围是[start,stop],元素个数num。linspace翻译成线性空间？
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
# 创建一个一维等比数列数组
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
np.arange(0,12).reshape(3,4) # 创建序列数组并转换成3行4列矩阵

创建概率分布的数组

#创建shape形状的高斯（正态）分布数组
np.random.randn(shape)
#a = np.random.randn(10)
#创建均值为loc，标准差为scale，形状为size的高斯（正态）分布
np.random.normal(loc, scale, size)
#b = np.random.normal(0, 1, (2,4)) 均值为0，标准差为1，形状为（2，4）的二维数组
#创建shape形状的均匀分布数组
np.random.rand(shape)
#c = np.random.rand(2,3) 生成一个形状为（2，3）的均匀分布二维数组
#创建一个从[low, high)中随即采样的，样本数量为size的均匀分布
np.random.uniform(low, high, size)
#d = np.random.uniform(-1,1,10)

切片

索引的图示理解

高维切片

…用来表示高维情况下，选中该维度的所有数据，并与其他维度选取结果取交集

import numpy as np

a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print (a[...,1])   # 第2列元素
print (a[1,...])   # 第2行元素
print (a[...,1:])  # 第2列及剩下所有元素 嵌套的切片 1：由第二个元素开始到最后一个元素，步距默认为1

# 切片 ":" 或 "..." 与索引数组组合
b = a[1:3, 1:3]    # 位于第2，3行且第2,3列部分的元素
c = a[1:3,[1,2]]   # 同上

输出结果展示：

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

索引

a = np.arange(10)  # [0 1 2 3 4 5 6 7 8 9]
b = a[5] 
print(b) # 5  获取数组中第6个位置的元素

x = np.array([[1, 2],  [3, 4],  [5, 6]]) 
y = x[[0,1,2],  [0,1,0]]  # 索引结果1维
print(y)  # [1  4  5] 获取数组中(0,0)，(1,1)和(2,0)位置处的元素

# 获取 4X3 矩阵中的四个角的元素
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])  
rows = np.array([[0,0],[3,3]]) 
cols = np.array([[0,2],[0,2]]) 
y = x[rows,cols]  # 索引结果2维
print(y)
#获取数组中 (0,0),(0,2),(3,0),(3,2) 位置处的元素
# array([[ 0,  2],[ 9, 11]])

布尔索引

x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
x[x > 5]# array([ 6,  7,  8,  9, 10, 11])

# 使用"~" 过滤NaN  数据丢失  浮点型
a = np.array([np.nan,  1,2,np.nan,3,4,5])  
a[~np.isnan(a)]  # array([1., 2., 3., 4., 5.])

# 筛选复数  浮点型
a = np.array([1,  2+6j,  5,  3.5+5j])  
a[np.iscomplex(a)]  # array([2. +6.j, 3.5+5.j])

花式索引

x=np.arange(32).reshape((8,4))
x[[4,2,1,7]] # 原矩阵的第4,2,1,7行构成的新矩阵（第0行起计）
x[[-4,-2,-1,-7]] # 原矩阵的倒数第4,2,1,7行构成的新矩阵（第1行起计）
x[np.ix_([1,5,7,2],[0,3,1,2])] 
print(x)
print(x.shape)
print(x[[4,2,1,7]])
print(x[np.ix_([1,5,7,2],[0,3,1,2])])
# 原矩阵的第4,2,1,7行构成的新矩阵（第0行起计），并将列按0,3,1,2顺序排序
#如果np.xi_ 中输入两个列表，则第一个列表存的是待提取元素的行标，第二个列表存的是待提取元素的列标，第一个列表中的每个元素都会遍历第二个列表中的每个值，构成新矩阵的一行元素。

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]
 [24 25 26 27]
 [28 29 30 31]]
(8, 4)
[[16 17 18 19]
 [ 8  9 10 11]
 [ 4  5  6  7]
 [28 29 30 31]]
[[ 4  7  5  6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11  9 10]]

数值计算

算数运算

a = np.array([1,2,3,4]) 
b = np.array([10,20,30,40]) 
c = a * b
d = a + b
print(c)
print(d)
[ 10  40  90 160]
[11 22 33 44]

广播

注：当运算中两个数组的形状不同时，numpy自动触发广播机制

a = np.array(