科学计算库NumPy

目录

一、数组的基本知识

二、索引与切片

三、数组的转置

四、数组处理数据与通用函数

五、随机数和线性代数模块

---

一、Numpy数组对象

（1）NumPy中最重要的一个特点就是其N维数组对象，ndarray（array）。

（2）Numpy数组创建：NumPy 用于处理数组，我们可以使用 array() 函数创建一个 NumPy ndarray 对象。

一维数组：data1=np.array([1,5,8])

二维数组：data2=np.array([[1,4,2],[5,6,8]])

---

(3) zeros()函数：创建的元素值都是零

     ones()函数：创建的元素值都为1

     empty()函数：创建新的数组。（注：元素是随机的）

     arange()函数：创建等差数组。（注：arange（）函数的结果为数组，不是列表）

data=np.zeros((4,6))

data2=np.ones((2,7))

data3=np.empty((4,6))

data4=np.arange(2,5,4)

---

(4) ndarray对象的数据类型：

 1、通过astype()方法进行转换：

data=np.array([[1,3,5],[2,3,5]])
data.dtype

float_data=data.astype(np.float64)
float_data.dtype

2、常见的Numpy数据类型：

---

二、索引与切片

（1）索引：

数组索引等同于访问数组元素，可以通过引用其索引号来访问数组元素，NumPy 数组中的索引以 0 开头，这意味着第一个元素的索引为 0，第二个元素的索引为 1，以此类推。

一维数组索引
arr=np.arange(4)
arr[3]

#获取1~3的元素，但是不包括3 
arr[1:3]

二维数组索引
arr2=np.array([[2,3,4],[3,4,1],[1,5,6]])
获取索引为2的元素
arr[2]

(2) 切片：

arr2=np.array([[2,3,4],[3,4,1],[1,5,6]])
一个切片：arr2[:2]
2个切片：arr2[0:2,0:2]

三、数组的转置

（1）转置：将数组中的每个元素按照一定的规则进行位置变换。

   转置方法：T属性；transpose（）

---

四、数组处理数据与通用函数  

（1）将条件逻辑转为数组运算：

where（）函数：三元表达式x if condition else y的矢量化版本。

arr_x = np.array([1, 7, 3])
arr_y = np.array([2, 8, 4])
arr_con = np.array([True, False, True])
result = np.where(arr_con, arr_x, arr_y)

  

 sort（）：对NumPy数组中的元素进行排序

arr = np.array([[1, 2, 5],[2, 6, 2], [4, 9, 6]])
arr.sort()

all（）函数：判断整个数组中的元素的值是否全部满足条件，如果满足条件返回True，反之则返回False。

arr = np.array([[1, -2, -7],[-3, 6, 2],[-4, 3, 2]])

# arr的所有元素是否都小于0
np.all(arr<0)

any()函数：判断整个数组中的元素至少有一个满足条件就返回True，反之则就返回False。

arr = np.array([[-2, -6, -7],[-3, 4, 2],[-4, 3, 7]])

# arr的所有元素是否有一个大于0
np.any(arr > 0)

unique（）函数：找出数组中的唯一值，并返回排序后的结果。

arr = np.array([23, 11, 24, 23, 12, 6, 11])
np.unique(arr)

in1d（）函数：判断数组中的元素是否在另一个数组中存在。

arr = np.array([12, 22, 34, 23, 12, 6, 11])
np.in1d(arr, [11, 12])

（2）通用函数： 一种针对ndarray中的数据执行元素级运算的函数，函数返回的是一个新的数组。 

一元通用函数:

二元通用函数：

---

五、

   (1)随机数模块：和Python的random模块相比，NumPy的random模块功能更多，它增加了一些可以高效生成多种概率分布的样本值的函数。

 seed（）函数:产生的随机数相同。

numpy.random.seed(seed=None)

---

(2) 线性代数：

dot（）：用于矩阵乘法。

arr_x = np.array([[1, 2, 3], [4, 5, 6]])
arr_y = np.array([[1, 2], [3, 4], [5, 6]])
# 等价于np.dot(arr_x, arr_y)
arr_x.dot(arr_y)

矩阵点积：假设A为 m*p的矩阵，B为 p*n 的矩阵，那么矩阵A与B的乘积就是一个 m*n 的矩阵C。