Python Numpy

Numpy

列表创建

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

x = np.array([1, 2, 3, 4, 5], dtype="float32")

x = np.array([[1, 2, 3],
             [4, 5, 6],
             [7, 8, 9]])

np.zeros(5, dtype=int)
#array([0, 0, 0, 0, 0])

np.ones((2, 4), dtype=float)
#array([[1., 1., 1., 1.],
       [1., 1., 1., 1.]])

np.full((3, 5), 8.8)
#array([[8.8, 8.8, 8.8, 8.8, 8.8],
       [8.8, 8.8, 8.8, 8.8, 8.8],
       [8.8, 8.8, 8.8, 8.8, 8.8]])

np.eye(3)
#array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])


np.arange(1, 15, 2)
array([ 1,  3,  5,  7,  9, 11, 13])

np.linspace(0, 1, 4)
array([0.        , 0.33333333, 0.66666667, 1.        ])#创建一个4个元素的数组，这四个数均匀的分配到0~1

np.logspace(0, 9, 10)
array([1.e+00, 1.e+01, 1.e+02, 1.e+03, 1.e+04, 1.e+05, 1.e+06, 1.e+07,
       1.e+08, 1.e+09])#等比数列

np.random.random((3,3))#创建一个3*3的，在0~1之间均匀分布的随机数构成的数组
array([[0.24347952, 0.41715541, 0.41363866],
       [0.44869706, 0.18128167, 0.18568051],
       [0.05705023, 0.0689205 , 0.74837661]])

np.random.normal(0, 1, (3,3))#创建一个3*3的，均值为0，标准差为1的正态分布随机数构成的数组
array([[-0.38530465,  0.17474932,  0.31129291],
       [ 1.61626424, -2.18883854,  0.54043825],
       [-0.9141666 , -0.03804043, -0.6645122 ]])

np.random.randint(0, 10, (3,3))#创建一个3*3的，在[0,10)之间随机整数构成的数组
array([[9, 1, 9],
       [0, 3, 9],
       [8, 5, 4]])

x = np.array([10, 20, 30, 40])
np.random.permutation(x)  # 生产新列表
array([20, 40, 10, 30])

print(x)
np.random.shuffle(x)          # 修改原列表
print(x)
[10 20 30 40]
[20 40 10 30]

数组的采样

np.random.choice(x, size=(4, 3))
np.random.choice(10, 10)
import numpy as np

x = np.arange(5).reshape(1,5)#[[0 1 2 3 4]]
y = np.arange(5)#[0 1 2 3 4]
x = np.arange(6).reshape(2,3)
[[0 1 2]
 [3 4 5]]

np.random.choice(x, size=(4, 3), p=x/np.sum(x))#p的意思是利用概率分布取样 比如4 就是40%

numpy数组的数据类型是固定的，向一个整型数组插入一个浮点值，浮点值会向下进行取整

x2 = np.random.randint(0, 20, (2,3))
array([[11,  3, 11],
       [ 6,  1,  5]])
x2[0, 0] = 1.618

array([[ 1,  3, 11],
       [ 6,  1,  5]]

切片获取的是视图，而非副本

x4 = np.random.randint(20, size=(3,4)) 
x4

x5 = x4[:2, :2]#这样修改了X5里面内容，同时也会影响X4
x6 = x4[:2, :2].copy()#这种就不会修改了

数组的变形

x5 = np.random.randint(0, 10, (12,))
array([9, 8, 5, 9, 2, 6, 2, 9, 4, 5, 1, 7])
x6 = x5.reshape(3, 4)#reshape返回的是视图，而非副本，新建3行，没行里面有4个元素
array([[9, 8, 5, 9],
       [2, 6, 2, 9],
       [4, 5, 1, 7]])

一维向量转行向量

array([0, 8, 5, 9, 2, 6, 2, 9, 4, 5, 1, 7])
x7 = x5.reshape(1, x5.shape[0]) #shape[0]是提取有多少列，[1]是提取多少行
x8 = x5[np.newaxis, :] #newaxis其实就是为了建设新轴

一维向量转列向量

x7 = x5.reshape(x5.shape[0], 1)  
x8 = x5[:, np.newaxis]
array([[0],
       [8],
       [5],
       [9],
       [2],
       [6],
       [2],
       [9],
       [4],
       [5],
       [1],
       [7]])

多维向量转一维向量

x6 = np.random.randint(0, 10, (3, 4))
x9 = x6.flatten()#flatten返回的是副本
x10 = x6.ravel()#ravel返回的是视图
array([3, 7, 6, 4, 4, 5, 6, 3, 7, 6, 2, 3])

数组的分裂

x1, x2, x3 = np.split(x6, [2, 7]#从第二和第七切开分成3个数组
left, middle, right = np.hsplit(x7, [2,4])#也是一样，都是切列的位置
upper, middle, lower = np.vsplit(x7, [2,4])#这个行切

矩阵乘法

np.dot(y, x)#做矩阵乘法运算
x*y#只是简单的对应位置的数相乘

广播运算

如果两个数组的形状在维度上不匹配

那么数组的形式会沿着维度为1的维度进行扩展以匹配另一个数组的形状。
意思就是会自己填充到合适的维度计算

利用掩码计算

x2
array([[1, 4, 2, 9],
       [8, 8, 2, 4],
       [9, 5, 3, 6]])
x2 > 5
array([[False, False, False,  True],
       [ True,  True, False, False],
       [ True, False, False,  True]])
x2[x2 > 5]#利用上面的X1>5作为掩码进行取出大于5的值
array([9, 8, 8, 9, 6])