numpy方法总结

Numpy是一个用python实现的科学计算的扩展程序库，包括：

• 1.一个强大的N维数组对象Array
• 2.比较成熟的函数库
• 3.用于整合C/C++和Fortran代码的工具包
• 4.使用的线性代数、傅里叶变换和随机数生成函数。

1.创建numpy数组

• np.array
• np.zeros
• np.ones
• np.empty
• np.ones
• np.arange

  np.array([[1,2,3],[4,5,6]],dtype=float) #直接用现有的数组创建
  np.zeros((3,4)) #创建全0数组，参数是数组的形状
  np.ones((3,4)) #创建全1数组，和zeros用法相同
  np.empty((3,4)) #创建全空数组
  np.arange(a,b,c) #创建从a到b的数组，间隔为c
  

2.ndrray的数据类型

• 查看数据类型

  a = np.array([1,2,3],dtype='float64')
  a.dtype
  

• 转换数据类型

  a = np.array([1,2,3],dtype='float64')
  b = a.astype(np.int32)
  b.dtype #int32
  #a.astype()并不会改变a的数据类型
  

3.数组运算

numpy数组间的基本运算是一对一的，基本就是加减乘除。数组运算要求两个数据的形状相同，当形状不同的时候，就会自动触发广播机制。
数组广播

当两个形状不一样的数组进行相加，自动触发广播机制。
下边看几个广播计算的示意图：


当某一个数组的维度与另一个不同时，会自动补全缺失的维度。

4.索引与切片

• 整数索引与切片

  创建一个3x4维的数组

  arr = np.array([[1,2,3,1],[4,5,6,2],[7,8,9,3]])
  

  arr[1] #[4,5,6,2]
  arr[0,1] #
  arr[:2] #[[1,2,3,1],[4,5,6,2]]
  arr[0:2,0:2] #[[1,2],[4,5]]
  arr[1,:2] #[4,5]
  

• 花式索引

  arr[[0,2]] #获取索引维[0,2]的元素
  

  array([[1, 2, 3, 1],
  [7, 8, 9, 3]])

  arr[[1, 2], [1, 2]] #获取索引为(1,1)和(2,2)的元素	
  

  array([5,9])

5.数组的转置与轴对称

• 转置

  arr = np.array([[1,2,3],[4,5,6]])
  arr.T
  

• 轴对称

  轴对称比较难以理解，详解可以看这篇文章

• swapaxes

  与transpose用法类似，不同点就是括号里的参数从3个改成两个(需要交换的维度)

6.numpy的通用函数

np.sqrt() #开方
np.abs() #求绝对值
np.square() #求平方
np.add(x,y) #x+y
np.multiply(x,y) #x*y
np.maximum(x,y) # 		

7.数组统计运算

arr = np.array([1,2,3,4])
arr.sum() #求和
arr.mean() #求平均值
arr.min() #求最小值
arr.max() #求最大值
arr.argmax() #最大值的索引
arr.argmin() #最小值的索引
arr.cumsum() #计算累计和
arr.cumprod() #计算累计乘积

np.diff(x,axis) 参考
np.floor() 向下取整
np.ceil() 向上取整
np.where 参考

8.数组排序

参考

9.随机数模块

• np.random.rand()

np.random.rand(1,2,2) #随机生成三维数组