学习Numpy

一、nparray多维数组对象

1. 生成列表

np.array(list)
# 将输入的数据转化为ndarry类型，list可以为列表，数组，元组类型

np.asarray(list)
# 与np.array()没什么大的区别

numpy.arange([ start，] stop，[ step，] dtype = None)
"""
1）一个参数时，参数值为终点，起点取默认值0，步长取默认值1。
2）两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。
3）三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长。其中步长支持小数
起点的值是闭区间，终点的值是开区间
""

2. 生成矩阵

np.random.randn(2, 3) 
# 生成一个符合正态分布的2×3的数组，randn(d1,d2,d3...)可以继续指定维度

np.random.rand(2, 3)
# 同理生成一个2×3的数组，不过范围限定为[0, 1)：包含0，不包含1

np.ones(d1, d2, ...)
# 生成一个全为1的多维矩阵

np.ones_like(x)
# 根据矩阵x的维度，生成全为1的多维矩阵

np.zeros(d1, d2, ...)
np.zeros_like(x)
# 与前面的ones()函数类似，不过生成全为0的矩阵

np.empty(d1, d2, ...)
np.empty_like(x)
# 生成无初始值的矩阵，但并不安全，可能返回未初始化的垃圾值

np.full(shape, fill_value, dtype=None, order='C')
"""
shape：int 或者 int元组。这里的shape，如果是多维，记得用括号括起来。
fill_value：填充到数组中的值
"""
numpy.full_like(a, fill_value, dtype=None, order='K', subok=True)[source]
"""
参数:
a : array_like,用a的形状和数据类型，来定义返回数组的属性。
fill_value : 标量,数组中元素的值
dtype : 数据类型, 可选。覆盖结果的数据类型。
"""

numpy.eye(N,M=None,k=0,dtype=<class 'float'>,order='C)
# 返回的是一个二维2的数组(N,M)，对角线的地方为1，其余的地方为0.
np.identity(n,dtype=None)
# 只能创建方阵

3. Numpy的数组运算

• 带有标量计算的算术操作，会把计算参数传递给数组的每一个元素。

  arr = np.arange(10)
  1 / arr
  arr * 0.5  
  # 会对arr中每一个元素进行运算
  

4. 索引和切片

• 数组的切片都是原数组的视图，这意味着数组并不是被复制了，任何对于视图的修改最后都会反映到原数组上。

  arr[:2, 1:]
  # 取前2行（包含第0,1行），第1列之后的值（从第1列开始，而不是第二列）
  # 这里的行列都是从0开始的，仍然遵循起点都是闭合，终点都是开区间。
  

• 布尔索引：数组的比较操作都是可以量化的

  names = np.array['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']
  names = 'Bob'
  # 会得到一个Bool类型的数组
  
  # 这个Bool类型的数组，可以放到其他数组作为索引，来提取对应位置为True的元素
  data = np.random.randn(7, 4)
  data[names = 'Bob', 3]
  """
  当然如果想提取除了'Bob'外的元素,可以用names != 'Bob',或者：
  cond = names == 'Bob'
  data[~cond]
  """ 
  
  # 还可以用两个或者多个组合来限制条件
  mask = (names == 'Bob')|(names == 'Will')
  # 使用Bool数组作为索引时，生成的都是拷贝数据
  # Python的关键词and和or对Bool数组没有用，请使用&(and)和|(or)
  

• 神奇的索引

  arr = np.empty((8,4))
  for i in range(8):
  	arr[i] = i
  # 这里相当于给每一行赋值，所赋的值也是一样的
  
  arr([1, 5, 7, 2], [0, 3, 1, 2])
  # 这里是进行取值，行列会一一对应
  # 共取了4个值，对应位置分别为：(1, 0), (5, 3), (7, 1), (2, 2)
  

5. 数组转置和转轴

arr = np.arange(15).reshape((3,5))
arr.T
# 进行转置

arr.transpose(1, 0)
# 如果不带参数，作用就是转置
"""
（1）对于二维数组，例如我们要取arr第0行第2列的数据，我们用arr[0][2]，那么这里的[0]指代第0维度，[2]指代第1维度。
（2）arr.transpose(1, 0)的作用就是将arr中的数据所处的维度进行变换，即原来第0维度变为第1维度，第1维度变为第0维度；在二维数组中等价于转置。令data = arr[0][2]，经过transpose(1, 0)处理后，那么arr[2][0] = data。显然，如果是arr.transpose(0, 1)，就相当于啥也没做咯
（3）如果是3维数组，同理了。arr[1][2][3],[1]处于第0维度，[2]处于第1维度，[3]处于第2维度。
语句arr.transpose(1, 0, 2)就是将第1维度和第0维度进行调换咯。
"""

arr.swapaxes(1, 2)
# swapaxes()作用就是交换2个维度，作用于transpose一样；不过一次只能交换2个维度。
# 这个必须带参数

二、numpy的通用函数

arr = np.arange(10)

# 开平方
np.sqrt(arr)

# 以e为底的指数
np.exp(arr)

np.max(a, axis=None, out=None, keepdims=False)
"""
求序列的最值,最少接受一个参数
axis默认为axis=0即列向,如果axis=1即横向
"""

np.maximum(X, Y, out=None)
"""
X和Y逐位进行比较,选择最大值;最少接受两个参数
X,Y的维度需要一致，返回的数组中每个都是X,Y中最大值。
""" 

1. 一元通用函数

函数名	描述
np.abs(ndarray) np.fabs(ndarray)	计算绝对值
np.sqrt(ndarray)	计算每个元素的平方根（等价于arr**0.5）
np.square(ndarray)	计算每个元素的平方（等价于arr**2）
np.mean(ndarray)	计算平均值
np.exp(ndarray)	计算每个元素的自然对数e^x
np.log(ndarray) np.log10(ndarray) np.log2(ndarray) np.log1p(ndarray)	自然对数（e为底、10为底、2为底、ln(x+1)）
np.sign(ndarray)	符号函数
np.ceil(ndarray) np.floor(ndarray) np.rint(ndarray)	计算每个元素的最高整数值,相当于[x] 计算每个元素的最小整数值,相当于[x]-1 将元素保持整数位，并保持dtype
np.modf(ndarray)	将数组的整数和小数部分以数组的形式返回
np.isnan(ndarray)	判断数组中是否有元素为NaN，返回Bool类型
np.isfinite(ndarray) np.isinf(ndarray)	判断有穷、无穷数组，返回Bool类型
np.cos(ndarray) np.cosh(ndarray) np.sin(ndarray) np.sinh(ndarray) np.tan(ndarray) np.tanh(ndarray)	三角函数
np.arccos(ndarray) np.arccosh(ndarray) np.arcsin(ndarray) np.arcsinh(ndarray) np.arctan(ndarray) np.arctanh(ndarray)	反三角函数
np.logical_not(ndarray)	对数组的元素按位取反

2. 二元通用函数

函数名	描述
np.add(arr1, arr2)	将对应数组进行相加
np.subtract(arr1, arr2)	在第二个数组中，将第一个数组中包含的元素去除
np.multiply(arr1, arr2)	将数组对应元素相乘
np.divide(arr1, arr2) np.floor_divide(arr1, arr2)	除或整除
np.power(arr1, arr2)	将第二个数组的元素作为第一个数组对应元素的幂次方
np.maximum(arr1, arr2) np.fmax(arr1, arr2)	逐个元素计算最大值（fmax忽略NaN）
np.minimum(arr1, arr2) np.fmin(arr1, arr2)	逐个元素计算最小值（fmin忽略NaN）
np.mod(arr1, arr2)	按元素的求模计算
np.copysign(arr1, arr2)	将第一个数组的符号值改为第二个数组的符号值
np.greater(arr1, arr2) np.greater_equal(arr1, arr2) np.less(arr1, arr2) np.less_equal(arr1, arr2) np.equal(arr1, arr2) np.not_equal(arr1, arr2)	进行逐个元素的比较，返回Bool数组。（与数组符号>、>=、<、<=、== 、!=效果一致）
np.logical_and(arr1, arr2) np.logical_or(arr1, arr2) np.logical_xor(arr1, arr2)	进行逐个元素的逻辑操作（与逻辑操作符&、|、^效果一致）

3. 数学和统计方法

计算函数	说明
ndarray.mean( axis=0 )	求平均值
ndarray.sum( axis= 0)	求和
ndarray.cumsum( axis=0) ndarray.cumprod( axis=0)	累加 累乘
ndarray.std() ndarray.var()	方差 标准差
ndarray.max() ndarray.min()	最大值 最小值
ndarray.argmax() ndarray.argmin()	最大值索引最小值索引
ndarray.any() ndarray.all()	是否至少有一个True 是否全部为True
ndarray.dot( ndarray)	计算矩阵内积
ndarray.sort(axis=0)	排序，返回源数据

4. 线性代数

5. 其他函数

• numpy.meshgrid函数的基本用法

"""
用法：
　　[X,Y]=meshgrid(x,y)
　　[X,Y]=meshgrid(x)与[X,Y]=meshgrid(x,x)是等同的
　　[X,Y,Z]=meshgrid(x,y,z)生成三维数组，可用来计算三变量的函数和绘制三维立体图
这里，主要以[X,Y]=meshgrid(x,y)为例，来对该函数进行介绍。
假设x是长度为m的向量，y是长度为n的向量，则最终生成的矩阵X和Y的维度都是 nm （注意不是mn）。
"""

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
m, n = (5, 3)
x = np.linspace(0, 1, m)
y = np.linspace(0, 1, n)
X, Y = np.meshgrid(x,y)
 

# 查看向量x和向量y
x
out:
array([ 0. , 0.25, 0.5 , 0.75, 1. ])

y
out:
array([ 0. , 0.5, 1. ])
 
#查看矩阵X和矩阵Y
X
out:
array([[ 0. , 0.25, 0.5 , 0.75, 1. ],
[ 0. , 0.25, 0.5 , 0.75, 1. ],
[ 0. , 0.25, 0.5 , 0.75, 1. ]])

Y
out:
array([[ 0. , 0. , 0. , 0. , 0. ],
[ 0.5, 0.5, 0.5, 0.5, 0.5],
[ 1. , 1. , 1. , 1. , 1. ]])

# 可以通过在matplotlib中进行可视化，来查看函数运行后得到的网格化数据的结果
plt.plot(X, Y, marker='.', color='blue', linestyle='none')
plt.show()

• numpy.where函数

  • np.where(condition, x, y)

    满足条件(condition)，输出x，不满足输出y。

  • np.where(condition)

    只有条件 (condition)，没有x和y，则输出满足条件 (即非0) 元素的坐标。

>>> arr = np.random.randn(4, 4)
>>> arr > 0
array([[False,  True,  True,  True],
       [ True, False,  True,  True],
       [ True, False, False, False],
       [False, False, False, False]])
>>> np.where(arr > 0, 3 ,-3)
array([[-3,  3,  3,  3],
       [ 3, -3,  3,  3],
       [ 3, -3, -3, -3],
       [-3, -3, -3, -3]])
>>> a = np.array([2,4,6,8,10])
>>> np.where(a > 5)				# 返回索引
(array([2, 3, 4]),)   
>>> a[np.where(a > 5)]  		# 等价于 a[a>5]
array([ 6,  8, 10])