numpy 的使用
numpy 模块主要用来处理数组的问题
定义一位数组
a1 = np.array([1, 2, 3, 4])
a2 = np.array([[1,2,3],[1,2,3]])
a3=np.array([[[1,2,3],[1,2,3]],[[1,2,3],[9,8,7]]])
print(a1,a1.shape)
print(a2,a2.shape)
print(a3,a3.shape)
数组的属性
arr1 = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])
arr2 = np.array([[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3]])
arr3 = np.array([[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3]])
# 数组的属性
print("数组的尺寸形状",arr1.shape)
print("数组的数据类型:",arr1.dtype)
print("数组的元素数量", arr1.size)
print("数组中每个元素的大小(单位是字节)",arr1.itemsize)
改变数组的shape
arr1 = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])
print(arr1)
arr1.shape=4,3
print("改变形状之后的数组",arr1)
使用arrange函数来创建数组
arr = np.arange(0, 1, 0.1) # [start, end],间隔
print(arr)
使用linspace函数来创建数组
arr5 = np.linspace(0.1,1.0,10)
print(arr5)
使用logspace来创建等比数列 10^start 10^end,有num个等比数列
arr6 = np.logspace(0,2,20)
print(arr6)
使用zeros函数创建数组
arr7 = np.zeros((3, 3))
print(arr7)
使用eye函数创建数组
# 三维数组,对角线为5
arr = 5*np.eye(3)
print(arr)
使用diag函数创建数组
# 对角线为(1,2,3,4)
arr = np.diag([1,2,3,4])
print(arr)
使用ones创建数组
# 5行3列
arr = np.ones((5, 3))
print(arr,arr.dtype)
强制数据类型转换
数组里的元素的数据类型必须一致 数据类型的转换是整体的转换
arr = np.int8(arr)
# bool,int,float,complex
print(arr, arr.dtype)
生成随机数的数组
0-1之间的随机数
arr1 = np.random.random((3, 2, 2))
print(arr1)
生成服从均匀分布的随机数
arr2 = np.random.rand(10, 5)
print(arr2)
生成服从正态分布的随机数
arr3 = np.random.randn(10, 5)
print(arr3)
生成给定上下限范围的整型随机数
arr4 = np.random.randint(2, 10, size=[2, 5])
print(arr4)
通过索引访问数据
arr5 = np.array([[1, 2, 3, 4], [2, 3, 4, 5], [1, 3, 5, 7]])
print(arr5[0][1])
获取数组的一个范围切片
arr6 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
print(arr6[:4]) # [start,end)
print(arr6[2:]) # [start,end)
print(arr6[1:4:2]) # [start end),step
print(arr6[1:-1:2]) # [start,end),step
倒着取值
arr6 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
print(arr6[8:2:-1]) # [start,end),step
多维数组的索引与切片
arr7 = np.array([[2, 3, 4, 5, 6, 7, 8, 9, 10],
[2, 3, 4, 5, 6, 7, 8, 9, 10],
[2, 3, 4, 5, 6, 7, 8, 9, 10],
[2, 3, 4, 5, 6, 7, 8, 9, 10],
[2, 3, 4, 5, 6, 7, 8, 9, 10]])
print(arr7[0:3, 0])
数组的算术运算
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
print("a+b", a+b)
print("a-b", a-b)
print("a*b", a*b)
print("a/b", a/b)
print("a//b", a//b)
print("a%b", a % b)
矩阵乘法
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.dot(a, b)
print(c)
broadcasting广播
广播的含义就是把这个1广播到整个数组
a = np.array([[1,2],[3,44]])
b = np.array([[1,1],[1,1]])
print(a+b)
print(a+1)#这里+1,效果与+b是一样的,
a = np.array([[1,2],[3,44]])
b = np.array([[1,2]])#广播可以是一个数字,也可以是数组内部的基本元素的形状
print(a+b)
三维数组广播
a = np.ones((3,3,3))
print(a+1)
返回与指定数组具有相同形状和数据类型的数组,并且数组中的值都为0/1。
a = np.array([[1,2,3],[1,2,3]])
b = np.zeros_like(a)
c= np.ones_like(a)
print(b)
print(c)
生成服从正态分布 的随机数
randn和random输入格式的差别:randn(2,3),random((3,2))
a = np.array([[1,2,3],[1,2,3]])
arr = np.random.randn(a.shape[0], a.shape[1])
print(arr)
变换数组的形态,改变形状
arr = np.arange(12)
print("创建一个一维数组\n",arr)
print("变换形状之后的数组\n",arr.reshape(4,3))
多维的数组变成一维的
两种方式 ravel 和 flatten 默认行序展开
两者的区别在于返回拷贝(copy)还是返回视图(view),numpy.flatten()返回一份拷贝,对拷贝所做的修改不会影响(reflects)原始矩阵,而numpy.ravel()返回的是视图(view,也颇有几分C/C++引用reference的意味),会影响(reflects)原始矩阵。
arr = np.arange(12)
arr = arr.reshape(2,2,3)
print("多维数组:",arr)
print("横向展平成一维数组",arr.ravel())
print("横向向展平成一维数组",arr.flatten())
print("纵向展平成一维数组",arr.flatten('F'))
print("纵向展平成一维数组",arr.ravel('F'))
arr.ravel()[1] = 2
print(arr)
arr.flatten()[1] = 3
print(arr)
数组的组合
hstack(vstack)和concatenate的区别:前者需要在拼接方向上的维度相同即可,后者需要在两个维度上都需要相同。
arr1 = np.arange(12).reshape(3,4)
print("arr1",arr1)
arr2 = 3*arr1
print("arr2",arr2)
print("横向组合",np.hstack((arr1,arr2)))
print("纵向组合",np.vstack((arr1,arr2)))
# hstack(vstack)和concatenate的区别:前者需要在拼接方向上的维度相同即可,后者需要在两个维度上都需要相同。
print("横向组合",np.concatenate((arr1,arr2),axis=1))
print("纵向组合",np.concatenate((arr1,arr2),axis=0))
数组的切割
arr = np.arange(16).reshape(4,4)
print("数组",arr)
print("横向切割排列",np.hsplit(arr,4)) #h表示新的数组是横向排列的
print("纵向切割排列",np.vsplit(arr,2)) #v表示新的数组是纵向排列的
print("横向切割排列",np.split(arr,2,axis=1)) #axis=1表示新的数组是横向排列的
print("纵向切割排列",np.split(arr,2,axis=0)) #axis=0表示新的数组是纵向排列的
矩阵的创建
mat1 = np.mat("1,2,3;4,5,6;7,8,9")
print("创建的矩阵为:",mat1)
matr2 = np.matrix([[1,2,3],[4,5,6],[7,8,9]])
print("创建的矩阵为:",matr2)
把二维数组变成矩阵
arr1 = np.eye(3)
print("arr1",arr1,type(arr1))
arr2 = 3*arr1
print("arr2",arr2,type(arr2))
matr1 = np.bmat("arr1 arr2") # 矩阵arr1和arr2行合并
print(matr1,type(matr1))
矩阵的算法
加减乘除
matr1 = np.mat("1 2 3; 4 5 6; 7 8 9")
matr2 = 3*matr1
print("matr1",matr1)
print("matr2",matr2)
print("matr1+matr2",matr1+matr2)
print("matr1-matr2",matr1-matr2)
print("matr1*matr2",matr1*matr2)
print("matr1对应元素相乘matr2",np.multiply(matr1,matr2))
dot multiply * 三者的区别
dot 矩阵乘法
multiply和* 对应位置相乘
import numpy as np
A = np.arange(1,5).reshape(2,2)
B = np.arange(0,4).reshape(2,2)
print('A',A)
print("B",B)
print("multiply",np.multiply(A,B))
print("dot",np.dot(A,B))
print("*",A*B)
转置和共轭转置
# 转置
print("转置", matr1.T)
# 共轭转置
print("共轭转置", matr1.H)