Python学习笔记—numpy

创建ndarray

        创建数组最简单的办法就是使用array函数。它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的Numpy数组。以一个列表的转换为例。

        嵌套序列（比如由一组等长列表组成的列表）将会被转换为一个多维数组： 

        NumPy数组arr2的两个维度的shape是从data2引入的。可以用属性ndim和shape验证：

        除np.array之外，还有一些函数也可以新建数组。比如，zeros和ones分别可以创建指定长度或形状的全0或全1数组。empty可以创建一个没有任何具体值的数组。要用这些方法创建多维数组，只需传入一个表示形状的元组即可： 

np.zero(size)

np.ones(size)

 

 np.arange(num)

 

array 的数据类型

         除非特别说明，np.array会尝试为新建的这个数组推断出一个较为合适的数据类型。数据类型保存在一个特殊的dtype对象中。比如说，在上面的两个例子中，我们有：

  通过ndarray的astype方法明确地将一个数组从一个dtype转换成另一个dtype：

整数转换成浮点数

浮点数转换成整数,如果将浮点数转换成整数，则小数部分将会被截取删除：

如果某字符串数组表示的全是数字，也可以用astype将其转换为数值形式：

 

 Numpy数组的运算

         数组很重要，因为它使你不用编写循环即可对数据执行批量运算。NumPy用户称其为矢量化（vectorization）。大小相等的数组之间的任何算术运算都会将运算应用到元素级：

 数组与标量的算术运算会将标量值传播到各个元素：

 大小相同的数组之间的比较会生成布尔值数组

不同大小的数组之间的运算叫做广播（broadcasting）

基本的索引和切片

一维数组与python的列表差不多

         跟列表最重要的区别在于，数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接反映到源数组上。

修改arr_slice中的值，变动也会体现在原始数组arr中

在二维数组中，各索引位置上的元素不再是标量而是一维数组：

下面两种方式是等价的

 在多维数组中，如果省略了后面的索引，则返回对象会是一个维度低一点的ndarray

 

 标量值和数组都可以被赋值给arr3d[0]：

 二维切片

        可以看出，它是沿着第0轴（即第一个轴）切片的。也就是说，切片是沿着一个轴向选取元素的。表达式arr2d[:2]可以被认为是“选取arr2d的前两行”。 

        传入多个切片,arr2d[:2, :2]选取二维数组的前两行，前两列

 布尔型索引

         假设每个名字都对应data数组中的一行，而我们想要选出名字“Bob”的所有行。跟算术运算一样，数组的比较运算（如==）也是矢量化的。因此，对names和字符串"Bob"的比较运算将会产生一个布尔型数组：

要选择除"Bob"以外的其他值，既可以使用不等于符号（!=），也可以通过~对条件进行否定：

 ~操作符用来反转条件

 选取这三个名字中的两个需要组合应用多个布尔条件，使用&（和）、|（或）之类的布尔算术运算符即可：

 通过布尔型数组设置值是一种经常用到的手段。为了将data中的所有负值都设置为0，我们只需：

 通过一维布尔数组设置整行或列的值也很简单：

 花式索引

        花式索引（Fancy indexing）是一个NumPy术语，它指的是利用整数数组进行索引。假设我们有一个8×4数组：

 为了以特定顺序选取行子集，只需传入一个用于指定顺序的整数列表或ndarray即可：

使用负数索引将会从末尾开始选取行：

一次传入多个索引数组会有一点特别。它返回的是一个一维数组，其中的元素对应各个索引元组：

数组转置和轴对换

 转置是重塑的一种特殊形式，它返回的是源数据的视图（不会进行任何复制操作）。数组不仅有transpose方法，还有一个特殊的T属性：

 在进行矩阵计算时，经常需要用到该操作，比如利用np.dot计算矩阵内积：

对于高维数组，transpose需要得到一个由轴编号组成的元组才能对这些轴进行转置

 这里第一个轴换成第二个，第二个换成第三个，第三个换成第一个

ndarray还有一个swapaxes方法，它需要接受一对轴编号：

 通用函数：快速的元素级数组函数

 利用数组进行数据分析

将条件逻辑表述为数组运算（where）

numpy.where函数是三元表达式x if condition else y的矢量化版本。假设我们有一个布尔数组和两个值数组：

假设我们想要根据cond中的值选取xarr和yarr的值：当cond中的值为True时，选取xarr的值，否则从yarr中选取。列表推导式的写法应该如下所示：

        这有几个问题。第一，它对大数组的处理速度不是很快（因为所有工作都是由纯Python完成的）。第二，无法用于多维数组。若使用np.where，则可以将该功能写得非常简洁：

使用np.where，可以将标量和数组结合起来。例如，我可用常数2替换arr中所有正的值：

数学统计方法

 用于布尔型数组的方法

 排序

跟Python内置的列表类型一样，NumPy数组也可以通过sort方法就地排序：

多维数组可以在任何一个轴向上进行排序，只需将轴编号传给sort即可：

计算数组分位数最简单的办法是对其进行排序，然后选取特定位置的值：

唯一化以及其它的集合逻辑

用于数组的文件输入输出

        np.save和np.load是读写磁盘数组数据的两个主要函数。默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中的：

如果文件路径末尾没有扩展名.npy，则该扩展名会被自动加上。然后就可以通过np.load读取磁盘上的数组：

 通过np.savez可以将多个数组保存到一个未压缩文件中，将数组以关键字参数的形式传入即可：

 线性代数

 

x.dot(y)等价于np.dot(x, y)：

 

 

伪随机数生成 

 numpy.random模块对Python内置的random进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数。例如，你可以用normal来得到一个标准正态分布的4×4样本数组：

        我们说这些都是伪随机数，是因为它们都是通过算法基于随机数生成器种子，在确定性的条件下生成的。你可以用NumPy的np.random.seed更改随机数生成种子：