numpy知识大全(一）数组基础处理

修改数组形状

numpy.reshape(x,size)/ndarray.reshape(size)

reshape函数生成前后的数组会公用相同的内存,在前后数据数量不一致时会报错

numpy.resize(x,newshape)/narray.resize(newshape,refcheck)

resize函数会生成新的数组，不会和生成前的数据共内存，使用numpy.resize修改形状时，前后数量不一致会继续执行，narray.resize(newshape,refcheck),当refcheck为True时，和numpy.reshape执行效果相同，在执行前后大小不一致时，会报错，当refcheck为False时，和numpy.resize执行效果相同,

在尾部添加元素

numpy.append(x,values,axis)

values需要添加的元素或者数组，axis表示轴方向

真假值判断

numpy.all(x,axis,out,keepdims)/ndarray.all(axis,out,keepdims)
numpy.any(x,axis,out,keepdims)/ndarray.any(axis,out,keepdims)

numpy.all和ndarray.all判断数据在axis方法是否全为真，numpy.any和ndarray.any判断数据在axis方法是否存在真

any和all用发相同，不在举例截图

指定条件数组索引

numpy.where(condition[,x,y])

在参数x和y缺失的情况下，numpy.where用于获取指定索引，在x和y都存在时，该函数返回的是与最初的数组结构相同的数组，在True位置为x，在False位置为y

由于X为二维数组，所以where使用元组表示位置

最大值最小值

numpy.max(x,axis,out,keepdims)/ndarray.max(axis,out,keepdims)
numpy.amax(x,axis,out,keepdims)/numpy.nanmax(x,axis,out,keepdims)

numpy.min(x,axis,out,keepdims)/ndarray.min(axis,out,keepdims)
numpy.amin(x,axis,out,keepdims)

numpy.max、ndarray.max、numpy.amax三个函数在存在NAN时，NAN被认为是最大值,numpy.nanmax是剔除NAN后查找最大值

获取最大值最小值位置

numpy.argmax(x,axis,out)/ndarray.argmax(axis,out)

numpy.argmin(x,axis,out)/ndarray.argmin(axis,out)

argmax用于获取在axis方向最大值的坐标，argmin用于获取在axis方向最小值的坐标

排序函数

numpy.sort(x,axis,kind)/ndarray.sort(axis,kind)

numpy.argsort(x,axis,kind)/ndarray.argsort(axis,kind)

sort返回排序后的数组，argsort返回排序后的数组索引,ndarray.sort会对原数组产生影响,ndarray.argsort不会对原数组产生影响

数组拼接

numpy.hstack(tup)
numpy.vstack(tup)

numpy.hstack用于在axis=1方向上对数组进行拼接，其他维度的大小需要相同
numpy.vstack用于在axis=0方向上对数组进行拼接，其他维度的大小需要相同

生成指定数据

numpy.ones(shape,dtype)
numpy.ones_like(a,dtype)
numpy.zeros(shape,dtype)
numpy.zeros_like(a,dtype)
numpy.empty(shape,dtype)
numpy.empty_like(a,dtype)

numpy.ones生成全1矩阵，numpy.zeros生成全0矩阵，numpy.empty生成空矩阵，内部值是随机产生的

生成等差矩阵

numpy.arange([start,]end[,step,dtype])
numpy.linspace(start,end,num=50，endpoint=True,dtype)

numpy.arange生成连续的等差数列
numpy.linspace生成指定区间的等差数组

生成单位矩阵

numpy.eye(N,M=None,k = 0,dtype=float)
numpy.identity(n,dtype=float)

numpy.eye可以通过指定行和列生成单位矩阵
numpy.identity是生成正单位矩阵

生成随机数

numpy.random.rand(d0, d1, ..., dn)
numpy.random.randint(low, high=None, size=None, dtype=int)
numpy.random.randn(d0, d1, ..., dn)
numpy.random.normal(loc=0.0, scale=1.0, size=None)

numpy.random.rand随机生成[0,1)的数
numpy.random.randint随机生成 [low, high)的整数
numpy.random.randn随机生成服从0-1正态分布函数
numpy.random.normal随机生成服从loc-scale正态分布函数

随机排序

np.random.shuffle(X)

np.random.shuffle随机打乱x的顺序，x需要能够in-place(可修改)

随机选择

np.random.choice(a, size=None, replace=True, p=None)

np.random.choice是在一维数组a中随机选择size数，replace为True表示放回采样,p表示每个数取得的概率

扁平化操作

ndarray.flatten()
numpy.ravel(a, order='C')

flatten生成了数组的副本，numpy.ravel生成函数的镜像，不会生成数组的副本

数据本地化

numpy.savetxt(fname,X,fmt='%.18e',delimiter=' ',newline='\n',header='',footer='',comments='# ',encoding=None,)
numpy.save(file, arr, allow_pickle=True, fix_imports=True)

numpy.load(file,mmap_mode=None,allow_pickle=False,fix_imports=True,encoding='ASCII',*,max_header_size=10000,)
np.loadtxt(fname,dtype=<class 'float'>,comments='#',delimiter=None,converters=None,skiprows=0,usecols=None,unpack=False,ndmin=0,encoding='bytes',max_rows=None,*,quotechar=None,like=None,)

savetxt和save都是用于存储数据，区别就是savetxt无法存储超过2维的数据，save无法保存为csv格式数据

平铺数据

numpy.tile(X,reps)

reps用于指定需要在哪个坐标轴方向上对数据内容进行重复处理，