numpy用法总结

# 1.类型的转换
a = np.array([3.14,4,2,2,4], dtype = 'int64')
print(a.dtype) # 注意dtype用法

b = np.array([3,3.33, '3.56'], dtype = 'float') # '3.56'默认强制转换
b.astype('str') # 开始强制转换成string类型
b.astype('bool') # 开始强制转换为bool类型-->[True, True, True]

# 2.矢量化->向量
a = [[1,2,3], [5,7,8],[4,5,6]]
a[2][2] # 6
## 两层循环为二维数组进行遍历,对应元素相加
for i in range(3):
    for j in range(3):
        a[i][j] + b[i][j]
## 其实直接相加就可,这就是矢量化带来的好处
a+b
## 包括其他用法 a**2, a*3,a*b

# 3.创建常用的矩阵
np.zeros((3,5), dtype = 'int')
np.ones((3,5), dtype = 'int')
## 单位矩阵
np.eye(3,3)
np.eye(3) # 这个也上面的效果是一样的，都是3*3的单位矩阵
## 对角矩阵
np.diag([1,2,3,4,5,6]) # 对角线为1,2,3,4,5,6的矩阵
## 对矩阵设定具体的值
np.full((3,5), 3.14) # 3*5的矩阵里全是3.14
np.full((2,2), ((1,2),(3,4))) # 2*2的矩阵里是[[1,2],[3,4]]
## 设定空值和无穷大
np.nan
np.inf

# 4.创建常用的数组
## 均匀分布随机(制定范围)
np.random.randint(1,10, (3,6)) # 生成3*6的随机数组，取值范围[2,6)
np.random.randint(2) # 生成一个[0.2)之间的随机数
np.random.randint(2, size = 5) # 生成5个[0.2)之间的随机数 如：[1 0 0 0 1]
np.random.randint(2,6, size = 5) # 生成5个[2,6)之间的随机数
np.random.randint(2,6, size = (2, 3)) # 生成2*3的随机数组，范围是[2,6)之间的随机数

## 均匀分布随机(0-1)
## 生成0-1之间的用random.rand ，和上面的用法区别明显
np.random.rand(10) # 生成10个[0,1)之间的随机数。注意和上面的对比,上面是生成一个
np.random.rand() # 这个是生成一个
np.random.rand(2,3) # 生成2*3的随机数组

## 均匀分布随机(0-1)
np.random.random((2,3)) # 和rand功能一样，但是参数不一样
 
## 正态分布随机(大多在-1.96~+1.96)
np.random.randn(10) # 标准正太分布，均值为0，标准差为1。用法和rand一样
## 非标准正太分布，即需要指定均值和标准差
np.random.normal(5,3,(3,4))# 指定均值为5，标准差为3的3*4矩阵

## 卡方分布，自由度μ为5的
np.random.chisquare(5, (3,4))
## T分布自由度为3
np.random.standard_t(3,(3,4))
## f分布
np.random.f(2,3,(3,4))
## 泊松分布
# np.random.poisson(0.5, (3,4))
## 二项分布
np.random.binomial(10,0.5,(3,4))

## 设置随机种子
np.random.seed(200)
c = np.random.randn(2,3)

# 5.创建常用的线性序列的数组
np.arange(0, 20, 2) # 0-20,步长为2，这个能自己设计步长
np.arange(20) #  返回0-20的整形数组
np.linspace(1,101,49,dtype = int) # 这个49代表，代表产生49个，步长是自动计算的
np.linspace(1,101,49, endpoint = False) # 最后一个数 不算里面，默认是算里面的
np.linspace(1,20,38,restep = True) # 这个把步长也返回了

# 6.切片 略
# 7.副本
x2 = random.randint(10,size = (3,4))
x2_1 = x2[:2,:2].copy()

## 视图或浅复制
a = np.arange(0, 12, 1).reshape(6,2)
c = a.view()
## c是一个新数组，新数组的维度更改，不会影响a的维度，但是c的数据更改，则直接影响a的数据
c.shape = 2,6

# 8.数组的变形，
## 1.reshape
## 2.两个数组拼接
np.concatenate((x,y,z).reshape(3,3))
## 特别需要注意维度
np.concatenate((x2,x3), axis = 0) 
np.concatenate((x2,x3), axis = -2)
## 3.分裂
np.split(a, 6, axis =1)[3]


# 9.numpy的广播机制和基本运算
# 10.规约函数
## 返回最大值的位置,索引
np.argmax(x, axis = 0)

# 关于轴的概念
x = np.array([[5,0,3],
              [3,7,9],
              [3,5,2],
              [4,7,6]])
np.sum(x, axis = 0)
# [5+3+3+4, 0+7+5+7,3+9+2+6] = [15, 19, 20]
np.sum(x, axis = 1)
# [5+0+3, 3+7+9, 3+5+2, 4+7+6] = array([ 8, 19, 10, 17])

x1 = np.array([[5,0,3],
              [3,7,9],
              [3,5,2],
              [4,7,6]])
x2 = np.array([[5,0,3],
              [3,7,9],
              [3,5,2],
              [4,7,6]])
np.concatenate((x1,x2), axis = 0) # 最外面的叫0轴，往里面一层1轴...
array([[5, 0, 3],
       [3, 7, 9],
       [3, 5, 2],
       [4, 7, 6],
       [5, 0, 3],
       [3, 7, 9],
       [3, 5, 2],
       [4, 7, 6]])
np.concatenate((x1,x2), axis = -1) # 最里面的叫-1轴，往外面一层-2轴
array([[5, 0, 3, 5, 0, 3],
       [3, 7, 9, 3, 7, 9],
       [3, 5, 2, 3, 5, 2],
       [4, 7, 6, 4, 7, 6]])