Numpy的学习笔记（四）- Numpy数组的运算，操作，造型以及组合拆分

除了创建和遍历数组，Numpy也提供了一系列对数组操作的支持，其中包括数组的算数运算，形状变换，数组的组合和拆分以及数组的拷贝和扩容：

算数运算

一元运算, 会使数组中元素的每一个值，依次执行相应的运算，然后产生一个新的view。 结果不会影响参与操作的数组，所以一元运算符需要被赋值，否则操作就会无效。另外Python不支持++，—这样的操作。一元操作符的运算过程，类似于下图这样：

import numpy as np

# 平方的例子
a = np.arange(4)
a = a ** 2
print(a)
'''
[0 1 4 9]
'''

a = np.array([20,30,40,50])
a = a > 35
print(a)
'''
[False False  True  True]
'''

对于二元运算，Numpy提供两种方式。一种是元素与元素单纯的进行运算(element 方式)，另一种是矩阵的计算方式, 也就是数组的矩阵乘法。 这两种方式的加减法，是一样的，区别在于乘法。具体的运算方式见下图：

import numpy as np

# 元素和元素相加/相减
a = np.array([20, 30, 40, 50])
b = np.arange(4)
c = a + b
#print(c)
'''
[20 31 42 53]
'''

c = a - b
#print(c)
'''
[20 29 38 47]
'''

# 元素直接相乘的例子
a = np.array([[1, 1], [0, 1]])
b = np.array([[2, 0], [3, 4]])
c = a * b
#print(c)
'''
[[2 0]
 [0 4]]
'''

# 按矩阵的方式相乘
c = a.dot(b)
print(c)
'''
[[5 4]
 [3 4]]
'''

Numpy还支持矩阵的转置操作，这是矩阵的独有操作。

import numpy as np

o = np.arange(16)
o = o.reshape(4, 4)
t = o.T
print(t)
'''
[[ 0  4  8 12]
 [ 1  5  9 13]
 [ 2  6 10 14]
 [ 3  7 11 15]]
'''

除此之外，Numpy还提供很多内置的函数，来处理数组。这些函数有一个共同的名字 叫ufunc(Universal Funcions). 

造型（reshape）

所谓的造型，就是改变数组原有的维度。 numpy支持如下几种造型的函数，主要包括ravel, reshape：

import numpy as np

o = np.arange(16)
r = np.ravel(o)
print(r)
'''
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
'''

f = np.flatten(o)
print(f)
'''
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
'''

o = o.reshape(4, 4)
t = o.T
print(t)
'''
[[ 0  4  8 12]
 [ 1  5  9 13]
 [ 2  6 10 14]
 [ 3  7 11 15]]
'''

重组和拆分 

Numpy还提供数组的重组(stack)和拆分(split)

重组是把两个不同的数组，拼接到一起。 可以按照水平重组或者垂直重组的方式进行。 拆分的操作正好相反。如图：

import numpy as np

o = np.arange(16)
r = np.ravel(o)
#print(r)
'''
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
'''

f = np.ndarray.flatten(o)
print(f)
'''
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
'''

o = o.reshape(4, 4)
t = o.T
print(t)
'''
[[ 0  4  8 12]
 [ 1  5  9 13]
 [ 2  6 10 14]
 [ 3  7 11 15]]
'''

a = np.array([[9, 7], [5, 2]])
b = np.array([[1, 9, 3], [5, 1, 2]])
c = np.hstack((a, b))
print(c)
'''
[[9 7 1 9 3]
 [5 2 5 1 2]]
'''

b = np.array([[1, 9], [3, 5], [1, 2]])
c = np.vstack((a, b))
print(c)
'''
[[9 7]
 [5 2]
 [1 9]
 [3 5]
 [1 2]]
'''

<<< Numpy的学习笔记（三）