Numpy学习笔记

Numpy

ndarray对象

包含相同类型数据的数组

主要属性：

size: 数组中元素的总个数
dtype: 数组数据类型
shape: 数组形状，各维度大小，元组
ndim: 数组维数

创建方法：

array:
asarray:
zeros,ones,eyes,empty: 0,1,对角1，不初始
arange: (start,stop,step,dtype),不包含stop
linspace: (start,stop,num=50,endpoint=True)
logspace: (start,stop,num=50,endpoint=True,base=10)

广播机制：

不同形状数组运算时启用广播机制，规则如下：

• 比较数组维度，维度小的在前面补1对齐维度，如（4，3）+（3，），补齐为（1，3）
• 比较各维度，若数组维度相等或者有一个数组维度为1，可以运算，维度为1时会复制第一组值扩充至对应维度

数组操作

• reshape

: np.reshape(arr,newshape,order)
这里的order指的是数据的排列顺序，一般是按’C’即行排列，也可以指定按’F’排列

import numpy as np

a = np.arange(1, 10, 1).reshape((3, -1))
b = np.arange(1, 10, 1).reshape((3, -1), order='C')
c = np.arange(1, 10, 1).reshape((3, -1), order='F')
print(a, '\n\n', b, '\n\n', c)
#    [[1 2 3]
#     [4 5 6]
#     [7 8 9]] 
#    
#     [[1 2 3]
#     [4 5 6]
#     [7 8 9]] 
#    
#     [[1 4 7]
#     [2 5 8]
#     [3 6 9]]

• ravel :

ravel(arr,order)，按指定顺序展平数组，(不太懂有啥用)

• transpose，T :

倒置数组，同样可以输入order参数

• expand_dims :

扩充数组，加入新的轴，newaxis更简洁

import numpy as np

a = np.array([1, 2, 3])
b = np.expand_dims(a, axis=0)
c = a[np.newaxis, :]
d = np.expand_dims(a, axis=1)
e = a[:,np.newaxis]
print(a.shape, b.shape, c.shape, d.shape, e.shape)
#  (3,) (1, 3) (1, 3) (3, 1) (3, 1)

• squeeze :

删除数组中维度为1的维度

import numpy as np

a = np.array([1, 2, 3])
b = np.expand_dims(a, axis=0)
c = a[np.newaxis, :, np.newaxis]
d = b.squeeze()
e = c.squeeze()
print(a.shape, b.shape, c.shape, d.shape, e.shape)
#  (3,) (1, 3) (1, 3, 1) (3,) (3,)

• vstack,hstack :

垂直、水平连接数组

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.vstack((a, b))
d = np.hstack((a, b))
print(c, '\n', d)
#    [[1 2]
#     [3 4]
#     [5 6]
#     [7 8]] 
#     [[1 2 5 6]
#      [3 4 7 8]]

• append :

只能通过np.append(arr, values, axis)调用，大小必须相同，不指定axis返回一维数组

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
print(np.append(a, b))
print(np.append(a, b, axis=0))
print(np.append(a, b, axis=1))
#    [1 2 3 4 5 6 7 8]
#
#    [[1 2]
#     [3 4]
#     [5 6]
#     [7 8]]
#
#    [[1 2 5 6]
#     [3 4 7 8]]

• around :

np.around(arr,decimals) arr:数组 decimals：小数位数

• ceil,floor :

ceil:向上取整，floor:向下取整

数组排序及筛选

• sort ：

np.sort(arr，axis，kind，order)，kind是排序方法，默认‘quicksort’，还有‘mergesort’、‘heapsort’。不指定axis会按照最后一个维度排序

• argsort ：

形式跟sort没有较大差别，返回的是排序后的元素索引

import numpy as np

a = np.arange(10, 0, -1)
print(a)
print(np.sort(a))
print(np.argsort(a))
#    [10  9  8  7  6  5  4  3  2  1]
#    [ 1  2  3  4  5  6  7  8  9 10]
#    [9 8 7 6 5 4 3 2 1 0]

• where ：

np.where(condition)——返回满足条件的元素索引

• extract ：

np.extract(condition,x)——返回满足要求的元素

矩阵代数

Numpy中还有矩阵对象，矩阵库为numpy.matlib，可用此库创建矩阵，也可以用np.mat(arr)创建矩阵
Numpy中矩阵运算库linalg，包含线性代数许多函数,需要时可查相关文档

• dot :

点乘，同.*，对于数组而言跟matlab里运算类似

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
print(a * b)
print(np.dot(a, b))
print(np.matmul(a, b))
a = np.mat(a)
b = np.mat(b)
print(a * b)
print(np.dot(a, b))
print(np.matmul(a, b))
#    [[ 5 12]
#     [21 32]] 
#    
#    [[19 22]
#     [43 50]] 
#    
#    [[19 22]
#     [43 50]] 
#    
#    [[19 22]
#     [43 50]] 
#    
#    [[19 22]
#     [43 50]] 
#    
#    [[19 22]
#     [43 50]]