numpy基础55555

import numpy as np
from numpy.linalg import *
import matplotlib.pyplot as plt

arr=np.random.randn(2,3)
print(arr)
print("\n通用函数（即ufunc）是一种对ndarray中的数据执行元素级运算的函数。你可以将其看做简单函数（ \
        接受一个或多个标量值，并产生一个或多个标量值）的矢量化包装器。许多ufunc都是简单的元素级变体， \
        如sqrt和exp：\n",np.sqrt(arr))
print("\n",np.exp(arr))
print("\n",np.log(arr))



xarr=np.array([1.1,2.2,3.3])
yarr=np.array([4.4,5.5,6.6])
cond=np.array([True,False,True])
result=np.where(cond,xarr,yarr)
print('\n',result)

arr=np.random.randn(4,4)
print("np.where的第二个和第三个参数不必是数组，它们都可以是标量值。在数据分析工作中，where通常用于根 \
      据另一个数组而产生一个新的数组。假设有一个由随机数据组成的矩阵，你希望将所有正值替换为2，将所有负值 \
      替换为－2。若利用np.where，则会非常简单：\n",arr)
print(arr>0)
print(np.where(arr>0,2,-2))

arr=np.array([[1,2,3,4],
             [4,3,2,1]])
print("我生成了一些正态分布随机数据，然后做了聚类统计：\n",arr)
print('\n',arr.mean())
print('\n',np.mean(arr))
print('\n',arr.sum())
print("mean和sum这类的函数可以接受一个axis选项参数，用于计算该轴向上的统计值，最终结果是一个少一维的数组：\n",arr.mean(axis=1))
print(arr.sum(axis=0))
print("在多维数组中，累加函数（如cumsum）返回的是同样大小的数组，但是会根据每个低维的切片沿着标记轴计算部分聚类：\n", \
       arr.cumsum(axis=1))
print(arr.cumprod(axis=1))
print("标准差：",arr.std())
print("方差：",arr.var())

value=np.array([6,1,2,3,4,5,6])
print("另一个函数np.in1d用于测试一个数组中的值在另一个数组中的成员资格，返回一个布尔型数组：\n",np.in1d(value,[1,8,9,6]))

arr=np.arange(10)
np.save('some_arr',arr)
print("np.save和np.load是读写磁盘数组数据的两个主要函数。默认情况下，数组是以未压缩的原始二进制格式保存 \
      在扩展名为.npy的文件中的：\n",np.load('some_arr.npy'))

x=np.array([[1,2,3],
            [4,5,6],
            [7,8,9]])
print(x.dot(x.T))
print('计算行列式：',det(x))
print("计算逆：",x.dot(pinv(x)))
print("计算对角线的和：",x.trace())

samples=np.random.normal(size=(4,2))
print("numpy.random模块对Python内置的random进行了补充，增加了一些用于高效生成多种概率分布的样本值的 \
      函数。例如，你可以用normal来得到一个标准正态分布的4×4样本数组：\n",samples)