numpy.array 操作简单总结

import numpy as np

numpy.array 常用变量及参数

• dtype变量，用来存放数据类型， 创建数组时可以同时指定。
• shape变量， 存放数组的大小， 这人值是可变的， 只要确保无素个数不变的情况下可以任意修改。（-1为自动适配， 保证个数不变）
• reshape方法，创建一个改变了形状的数组，与原数组是内存共享的，即都指向同一块内存。 

创建数组的方法

np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float)
np.arange(0,1,0.1) #0到1之间步长为0.1的数组, 数组中不包含1
np.linspace(0, 1, 5) # 开始：0， 结束1, 元素个数 5。 array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ])
np.logspace(0, 1, 5) # 开始：0， 结束1, 元素个数 5. array([ 10**0.  ,  10**0.25,  10**0.5 ,  10**0.75,  10**1.  ])
                     # 结果是 array([  1.        ,   1.77827941,   3.16227766,   5.62341325,  10.        ])

s = 'abcdefg'
np.fromstring(s, dtype=np.int8)

def func2(i, j):
    return (i+1) * (j+1)
np.fromfunction(func2, (9,9))

np.ones((2, 2))
np.zero((2, 2))
np.eye(2)

#创建二维数组：
np.arange(0, 60, 10).reshape(-1, 1) + np.arange(0, 6)

数据读取

通过 下标范围获取数据： 与python list对象操作一致。 不同点是这方法 获取的数组与原数组是内存共享的。

通过 整数序列获取新数组：例 x[ [3,2,3,2] ], 产生新数组， 内存不共享

使用 布尔数组获取数据：例:  x[np.array([True, False, True, False, False])] 或 x[x>0.5] , 返回True对应的数字。

代码示例：

>>> x = np.arange(10)
>>> y = x[::-1]
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> y
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
>>> y[0] = 100
>>> x
array([  0,   1,   2,   3,   4,   5,   6,   7,   8, 100])
>>> y
array([100,   8,   7,   6,   5,   4,   3,   2,   1,   0])
>>> x[0] = 99
>>> x
array([ 99,   1,   2,   3,   4,   5,   6,   7,   8, 100])
>>> y
array([100,   8,   7,   6,   5,   4,   3,   2,   1,  99])
>>> y = x[1:6]
>>> y
array([1, 2, 3, 4, 5])
>>> y[2] = 33
>>> y
array([ 1,  2, 33,  4,  5])
>>> x
array([ 99,   1,   2,  33,   4,   5,   6,   7,   8, 100])
>>> x[[3,2,3,2]]
array([33,  2, 33,  2])
>>> z = x[[3,2,3,2]]
>>> z
array([33,  2, 33,  2])
>>> z[3] = 4
>>> z
array([33,  2, 33,  4])
>>> x
array([ 99,   1,   2,  33,   4,   5,   6,   7,   8, 100])
>>> x[x>10]
array([ 99,  33, 100])
>>> 

数组扩展

np.vstack((a, b)):  增加行数， 把b数据追加到a的下面， 上下连接。

np.hstack((a, b)): 增加列数，把a, b左右连接。

>>> a = np.ones((3,3))
>>> b = np.eye(3)
>>> a
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])
>>> b
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])
>>> b *= 2
>>> b
array([[ 2.,  0.,  0.],
       [ 0.,  2.,  0.],
       [ 0.,  0.,  2.]])
>>> np.vstack((a, b))
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 2.,  0.,  0.],
       [ 0.,  2.,  0.],
       [ 0.,  0.,  2.]])
>>> 
>>> np.hstack((a, b))
array([[ 1.,  1.,  1.,  2.,  0.,  0.],
       [ 1.,  1.,  1.,  0.,  2.,  0.],
       [ 1.,  1.,  1.,  0.,  0.,  2.]])

ufunc运算

ufunc是universal function的缩写，它是一种能对数组的每个元素进行操作的函数。NumPy内置的许多ufunc函数都是在C语言级别实现的，因此它们的计算速度非常快。

np.sin(x, x)
np.add(a, b) ~ a+b
np.subtract(a, b) ~ a-b
np.multiply(a, b) ~ a*b
divide ~ a/b
floor divide  ~ a//b
negative ~ -a
power ~ a**b
remainder ~ a % b

注意：复杂运算时，中间步聚会有临时变量，这会拖慢运算速度。

如：

x = a*b + c

等价于

t = a*b
x = t + c
del t

所以可手动优化

x = a * b
x += c

二维数组转一维 

>>> a
array([[ 1,  2,  3,  4],
       [ 4,  5,  6,  7],
       [ 7,  8,  9, 10]])
>>> a.ravel()
array([ 1,  2,  3,  4,  4,  5,  6,  7,  7,  8,  9, 10])

reshape函数可重新定义大小。