numpy用法（logical_and, nonzero，arange, reshape）

numpy里面有很多数组矩阵的用法，遇到一个就记一个。

1.np.logical_and/or/not (逻辑与/或/非)

np.logical_and(逻辑与)

Syntax

np.logical_and(x1, x2, *args, **kwargs)

Test

>>> np.logical_and(True, False)
False
>>> np.logical_and([True, False], [False, False])
array([False, False], dtype=bool)

>>> x = np.arange(5)
>>> np.logical_and(x>1, x<4)
array([False, False,  True,  True, False], dtype=bool)

np.logical_or(逻辑或)

Syntax

np.logical_or(x1, x2, *args, **kwargs)

Test

>>> np.logical_or(True, False)
True
>>> np.logical_or([True, False], [False, False])
array([ True, False], dtype=bool)

>>> x = np.arange(5)
>>> np.logical_or(x < 1, x > 3)
array([ True, False, False, False,  True], dtype=bool)

np.logical_not(逻辑非)

Syntax

logical_not(x, *args, **kwargs)

Test

>>> np.logical_not(3)
False
>>> np.logical_not([True, False, 0, 1])
array([False,  True,  True, False], dtype=bool)

>>> x = np.arange(5)
>>> np.logical_not(x<3)
array([False, False, False,  True,  True], dtype=bool)

转自：https://blog.csdn.net/JNingWei/article/details/78651535?locationNum=2&fps=1

2.numpy中的nonzero()的用法

 nonzero(a)返回数组a中值不为零的元素的下标，它的返回值是一个长度为a.ndim(数组a的轴数)的元组，元组的每个元素都是一个整数数组，其值为非零元素的下标在对应轴上的值。例如对于一维布尔数组b1，nonzero(b1)所得到的是一个长度为1的元组，它表示b1[0]和b1[2]的值不为0(False)。

>>> b1=np.array([True, False, True, False])  
>>> np.nonzero(b1)  
(array([0, 2], dtype=int64),)  

对于二维数组b2，nonzero(b2)所得到的是一个长度为2的元组。它的第0个元素是数组a中值不为0的元素的第0轴的下标，第1个元素则是第1轴的下标，因此从下面的结果可知b2[0,0]、b[0,2]和b2[1,0]的值不为0：

>>> b2 = np.array([[True, False, True], [True, False, False]])  
>>> np.nonzero(b2)  
(array([0, 0, 1], dtype=int64), array([0, 2, 0], dtype=int64))  

当布尔数组直接做为 numpy数组 下标时，相当于使用由nonzero()转换之后的元组作为下标对象：

>>> a = np.arange(3*4*5).reshape(3,4,5)  
>>> a  
array([[[ 0,  1,  2,  3,  4],  
        [ 5,  6,  7,  8,  9],  
        [10, 11, 12, 13, 14],  
        [15, 16, 17, 18, 19]],  
  
       [[20, 21, 22, 23, 24],  
        [25, 26, 27, 28, 29],  
        [30, 31, 32, 33, 34],  
        [35, 36, 37, 38, 39]],  
  
       [[40, 41, 42, 43, 44],  
        [45, 46, 47, 48, 49],  
        [50, 51, 52, 53, 54],  
        [55, 56, 57, 58, 59]]])  
>>> a[b2]  
array([[ 0,  1,  2,  3,  4],  
       [10, 11, 12, 13, 14],  
       [20, 21, 22, 23, 24]])  
>>> a[np.nonzero(b2)]  
array([[ 0,  1,  2,  3,  4],  
       [10, 11, 12, 13, 14],  
       [20, 21, 22, 23, 24]])  

为了观察变化，下面有一个例子：

dataSet=array(  
    [[1,0,0,0],  
    [0,1,0,0],  
    [0,1,0,0],  
    [0,0,0,1]])  
a=dataSet[:,1]>0.5  
print(a)  
print('--------------')  
print(nonzero(a))  
print('--------------')  
print(nonzero(a)[0])  
print('--------------')  
print(dataSet[nonzero(a)[0],:])  

输出结果：

[False  True  True False]  
--------------  
(array([1, 2], dtype=int64),)  
--------------  
[1 2]  
--------------  
[[0 1 0 0]  
 [0 1 0 0]]  

转自：https://blog.csdn.net/zhihaoma/article/details/51235016

3.range和np.arange()

• range()返回的是range object，而np.nrange()返回的是numpy.ndarray() 
range尽可用于迭代，而np.nrange作用远不止于此，它是一个序列，可被当做向量使用。

• range()不支持步长为小数，np.arange()支持步长为小数

• 两者都可用于迭代

• 两者都有三个参数，以第一个参数为起点，第三个参数为步长，截止到第二个参数之前的不包括第二个参数的数据序列 
  某种意义上，和STL中由迭代器组成的区间是一样的，即左闭右开的区间。[first, last)或者不加严谨地写作[first:step:last)

>>>range(1,5)
range(1,5)
>>>tuple(range(1, 5))
(1, 2, 3, 4)
>>>list(range(1, 5))
[1, 2, 3, 4]


>>>r = range(1, 5)
>>>type(r)
<class 'range'>

>>>for  i in range(1, 5):
...    print(i)
1
2
3
4

>>> np.arange(1, 5)
array([1, 2, 3, 4])

>>>range(1, 5, .1)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: 'float' object cannot be interpreted as an integer

>>>np.arange(1, 5, .5)
array([ 1. ,  1.5,  2. ,  2.5,  3. ,  3.5,  4. ,  4.5])

>>>range(1, 5, 2)
>>>for i in range(1, 5, 2):
...    print(i)
1
3

>>for i in np.arange(1, 5):
...    print(i)
1
2
3
4

转自：https://blog.csdn.net/lanchunhui/article/details/49493633

4.arange(),reshape()用法

arange()用于生成一维数组 

reshape()将一维数组转换为多维数组

import numpy as np

print('默认一维为数组:', np.arange(5))
print('自定义起点一维数组:',np.arange(1, 5))
print('自定义起点步长一维数组:',np.arange(2, 10, 2))
print('二维数组:', np.arange(8).reshape((2, 4)))
print('三维数组:', np.arange(60).reshape((3, 4, 5)))

print('指定范围三维数组:',np.random.randint(1, 8, size=(3, 4, 5)))

输出结果:

默认一维数组: [0 1 2 3 4]
自定义起点一维数组: [1 2 3 4]
自定义起点步长一维数组: [2 4 6 8]
二维数组: [[0 1 2 3]
 [4 5 6 7]]
三维数组: [[[ 0  1  2  3  4]
  [ 5  6  7  8  9]
  [10 11 12 13 14]
  [15 16 17 18 19]]

 [[20 21 22 23 24]
  [25 26 27 28 29]
  [30 31 32 33 34]
  [35 36 37 38 39]]

 [[40 41 42 43 44]
  [45 46 47 48 49]
  [50 51 52 53 54]
  [55 56 57 58 59]]]
指定范围三维数组: [[[2 3 2 1 5]
  [6 5 5 6 7]
  [4 4 6 5 3]
  [2 2 3 5 6]]

 [[2 1 2 4 4]
  [1 4 2 1 4]
  [4 4 3 4 2]
  [4 1 4 4 1]]

 [[6 2 2 7 6]
  [2 6 1 5 5]
  [2 6 7 2 1]
  [3 3 1 4 2]]]
[[[3 3 5 6]
  [2 1 6 6]
  [1 1 3 5]]

 [[7 6 5 3]
  [5 6 5 4]
  [6 5 7 1]]]

转自：https://blog.csdn.net/chinacmt/article/details/78548420