数据分析Numpy（2）-基础运算

#导入模块，重命名为np
import numpy as np


a = np.array([7,8,9,10],dtype = int) #列表转化为一行四列数组
b = np.arange(4) #生成[0,1,2,3]数组

#一维数组上的操作
c1 = a - b #对应的元素相减
c2 = a + b #对应的元素相加
c3 = a * b #对应的元素相乘
c4 = a / b #对应的元素相除
c5 = a** 2 #a中各个元素的平方
c6 = 2*np.sin(a) #10倍的sin(a)
print(b < 3) # array([ True,  True,  True, False], dtype=bool)
print(b == 3) # array([False,  False,  False, True], dtype=bool)

#真正的矩阵乘法
a1 = np.array([[0,1],[1,1]]) #列表转化为2行2列数组
b1 = np.arange(4).reshape(2,2) #生成[[0,1],[2,3]]
c7= np.dot(a,b) #a,b数组以行乘列的形式[[2,4],[2,3]]
c8 = a.dot(b) #作用等价于c7
c9 = a @ b #作用等价于dot()

#基本方法
a2 = np.random.random((2,4)) #生成2行4列0-1之间的数组
np.sum(a2)  #求和，a2.sum(axis=0)求每列的和
np.min(a2) #求最小，a2.min(axis=0)求每列的最小值
np.max(a2) #求最大，a2.max(axis=0)求每列的最大值
np.max(a2,axis = 0) #求最大,axis = 0是以列作为查找单元，axis = 1是以列作为查找单元
np.exp(a2) #以e为底的指数函数
np.sqrt(a2) #根号
#类似于+=或者*=这类的操作会直接更改原有数组，并且结果数组会向更加精确和一般的数组类型转变靠拢（向上转换）
a1*= 3 #a1永久更改
a2+=a1 #a2永久更改
a1+=a2 #输出a1会报错，因为结果数组元素是float型，但是结果元组是a1向int型靠拢，所以报错

a3 = np.arange(2,14).reshape((3,4)) #2-13形成3行4列的数组
np.argmax(a3) #求最大值的索引为0
np.argmin(a3) #求最小值的索引为11
np.average(a3) #求平均值
np.mean(a3) #同求平均值
np.median(a3) #求中位数
np.cumsum(a3) #从首项开始逐个累加生成数组，[2 5 9 14 20 27 35 44 54 65 77 90]
np.diff(a3) #从每一行尾项开始与前一个累减生成数组，所以是三行三列[[1,1,1],[1,1,1],[1,1,1]]
np.nonzero(a3) #分别以每个元素的行、列生成两个数组# (array([0,0,0,0,1,1,1,1,2,2,2,2]),array([0,1,2,3,0,1,2,3,0,1,2,3]))
np.sort(a3) #对每一行进行从小到大的排序
np.transpose(a3) #矩阵转置
print(a3.T) #也是专转置
print(np.clip(a3,5,9)) #a3中大于等于9的位置写9，5-9之间的位置写原值，小于等于5的位置写5
# array([[ 9, 9, 9, 9]
#        [ 9, 9, 8, 7]
#        [ 6, 5, 5, 5]])

其他常见函数：

all ， any ， apply_along_axis ， argmax ， argmin ， argsort ， average ， bincount ， ceil ， clip ， conj ， corrcoef ， cov ， cross ， cumprod ， cumsum ， diff ， dot ， floor ， inner ， INV ， lexsort ， max ， maximum ， mean ， median ， min ， minimum ， nonzero ， outer ， prod ， re ， round ， sort ， std ， sum ， trace ， transpose ， var ， vdot ， vectorize ， where

power()介绍：作用类似于a**b即a的b次方。注意在Numpy计算中要考虑数据溢出的问题，例如Numpy中的int与Python中的int有所不同，Numpy中int有严格的位数限制，如32位或者64位(64位仍然不够的时候会走动转化为浮点数)，而Python中的int是灵活的，NumPy分别提供numpy.iinfo并numpy.finfo验证NumPy整数和浮点值的最小值或最大值。

import numpy as np

np.iinfo(np.int) # Bounds of the default integer on this system.
  >>>iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)
np.iinfo(np.int32) # Bounds of a 32-bit integer
  >>>iinfo(min=-2147483648, max=2147483647, dtype=int32)
np.iinfo(np.int64) # Bounds of a 64-bit integer
  >>>iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)

print(np.power(2, 3)) #8

print(np.power([2,3,4], 3)) #分别求 2， 3， 4 的 3 次方[ 8 27 64]

print(np.power(2, [2,3,4])) #分别求 2的 2， 3， 4 次方[ 4 8 16]

print(np.power([2,3], [3,4])) #分别求 2 的 3 次方和 3 的 4 次方[ 8 81]

indices（）的用法：返回的是一个行列的索引，然后可以用这个索引快速的创建二维数据。即利用数组的坐标快速生成新的数组。

import numpy as np

print( np.indices((3,3)))
#array([[[0, 0, 0], [1, 1, 1], [2, 2, 2]], [[0, 1, 2], [0, 1, 2], [0, 1, 2]]])


i, j = np.indices((2,3))
M = 2*i + 3*j
print(M)
'''
array([[0, 3, 6],
       [2, 5, 8]])
'''

#利用矩阵画圆
img = np.zeros((400,400))
ir,ic = np.indices(img.shape)
circle = (ir-135)**2+(ic-150)**2 < 30**2 # 半径30，圆心在135,150
img[circle]=1