python包介绍：numpy

1 ndarray

相比于python中的list，ndarray的核心优势就是运算快

Numpy 喜欢用电脑内存中连续的一块物理地址存储数据

 Python 的 List 并不是连续存储的，它的数据是分散在不同的物理空间（list中的类型可以是不一样的）

1.1 创建

np.array(object,dtype=…)	用object创建ndarray
empty（shape，dtype=） empty_like（data）	指定形状&类型，元素值均为随机值
zeros（shape，dtype=） zeros_like（data）	填充0
ones ones_like（data）	填充1
full（shape，num，dtype） full_like(data，num)	用num填充shape大小的数组
eye（num，dtype) 等同于identity(num,dtype)	num*num的单位矩阵
random.random(shape，dtype)
numpy.random.normal(loc,scale,size)	正态分布 loc(float) 正态分布的均值 scale(float) 正态分布的标准差 size(int 或者整数元组) 输出的值赋在shape里，默认为None
diag	当 np.diag(array) 中 array是一个1维数组时，结果形成一个以一维数组为对角线元素的矩阵 array是一个二维矩阵时，结果输出矩阵的对角线元素 diag 函数在array后面还可以跟一个参数k，正值表示在对角线上方第几条对角线，负值表示在对角线下方第几条对角线
empty_like（x）	创建一个形状和x一样的，数值随机
arange(start, stop, step, dtype)
linspace	创建一个等差数列
logspace	创建一个等比数列

 1.2 ndarray 属性

ndim	矩阵维数
shape	数组的维度（元组形式）【用reshape调整大小】
itemsize	一个元素的大小（占几个字节）
real	元素的实部
imag	元素的虚部
dtype	数据类型
size	元素个数

1.3 切片

a[start:end:step]	左闭右开
a[…,x]——第x+1列 a[x,…]——第x+1行
a[[list1],[list2]]	获取 (list1[0].list2[0]) (list1[1].list2[1]) (list1[2].list2[2]) ….等索引位置的数据
a[list]	获取list中这几行元素
a[np.ix_([list1],[list2])]	获取第list1行的第list2列的数据

1.3.1 切片的性质 

切片是原来的array的一个视图，修改切片的话，原来的也改变了

！！！记住结论：！！！

• 如果是数字/带数字的':'来切片的话，不论是不是有塌缩（类似于r1那样的变成一维的）都是原来的的一个view，元素修改了就一起修改了（a[0,:],a[0:1,:])

如果是数组这样的索引切片的话（注：元组tuple不行），那么就是copy不是view了(a[[0],:])

a[List]相当于np.array(a[x] for x in List)

如果是混合的（一个数组，一个纯数字），那么就是copy（因为有数组切片了)'

举一个不太严谨的比方，a[List,a:b]=np.array(a[x] for x in List)[:,a:b]。因为其中有copy的部分，所以就不是view

import numpy as np
a=np.array([[1,2,3],[3,4,5],[7,8,9]])
b=a[1,:]
c=a[[1],:]
d=a[1:2,:]
print(a,'\n',b,c,d)
'''
[[1 2 3]
 [3 4 5]
 [7 8 9]] 
 [3 4 5] [[3 4 5]] [[3 4 5]]
'''
b[1]=10
print(a,'\n',b,c,d)
'''
[[ 1  2  3]
 [ 3 10  5]
 [ 7  8  9]] 
 [ 3 10  5] [[3 4 5]] [[ 3 10  5]]
'''

 1.4 布尔索引

 

 

 2  数组运算

 执行数组的运算必须有相同的行列/符合广播规则

2.1 相同行列

相同行列：对应元素加减乘除

 

 

2.2 广播原则 

 当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制

2.2.1 数组+标量

 

 

 2.2.2 数组+行/列

 

3 内积外积与矩阵乘法 

 3.1 外积

 

 3.2 内积

内积——inner/dot

 np.dot(a,b)等价于a.dot(b)

inner用法和dot稍有不同： np.dot(a, b）= np.inner(a, b.T)，相当于b做一次转置

3.3 乘法

matmul/@/dot

3.4 dot用法总结

• 对于np.dot(a,b,out=None)

  • 如果a,b是一维数组，那么相当于两个向量的点积

  • 如果a，b是二维数组（矩阵），那么就相当于a和b的矩阵乘法（等价于matmul，@）

  • 如果a，b有一个是标量，那么就相当于逐元素乘I等价于multiply，*）

  • 如果a是N维数组，b是M维数组，那么结果是沿着a的最后一个轴，和b的乘积和

3.5 叉乘

np.cross((0,0,1),(3,0,0))
#array([0, 3, 0])

 4 函数

all	矩阵中元素是否全部非零
any	矩阵中是否有元素非零
argmax/argmin	第几维度的最大最小值的坐标 Argmax[0]:对每一个a[…][0][0],a[…][0][1],a[…][0][2] a[…][1][0],a[…][1][1],a[…][1][2]找一个最大值
nanargmax/nanargmin	和argmax/argmin 类似，只是在这里，所有的nan都被排除掉了
count_nonzero()	统计非零元素值
clip	clip(ndarray,a,b)，比a小的赋值a，比b大的赋值b
floor	向下取整
ceil	向上取整
prod	所有元素乘积结果
argsort	argsort函数返回的是数组值从小到大的索引值 b 1 3 5 2 6 7 4 3 序号 0 1 2 3 4 5 6 7   b——正序 -b——倒序 如果是多维的话（默认是最大的一个axis） Axis=0 a[..][0][0],a[…][0][1],a[…][0][2] a[..][1][0],a[…][1][1],a[…][1][2] Axis=1 a[0][…][0],a[0][…][1],a[0][…][2] Axis=2同理
copy	这个是真copy，不是view
nanmax nanmin nanmean nanmedian nanstd nanvar	功能类似，只是这里不考虑nan
clip	截取数组中在min和max之间的部分，比min小的置为min，比max大的置为max
cumsum/cumprod	括号是几——第几维度累加/累乘（a[][][][]里面的第几个，从左往右） 括号里是0：原第一行=原第一行   原第二行=原第二行+原第一行   原第三行=原第三行+原第二行+原第一行 括号里是1：列的操作 没有字母，所有元素，一个一个叠加
diff	类差运算
flatten	返回一份数据拷贝，对拷贝所做的修改不影响原始数组 F风格：按列展开 flat 一个迭代器
np.isin(a,b)	用于判定a中的元素在b中是否出现过，如果出现过返回True,否则返回False,最终结果为一个形状和a一模一样的数组。 和np.where搭配使用，效果更好（np.where返回True的坐标） 分别是我找到的1的第一维坐标和第二位坐标
nditer	按照ndarray在内存中的存储顺序逐个访问 a和a转置在内存中的存储顺序一样——他们的遍历顺序一样 默认order=’C‘行优先 ——order=“F’（fortran 列优先）
meshgrid(ndarray,ndarray)	返回坐标方格的X与Y x和y都是二维数组，分别是这些点的横坐标/纵坐标
mean/average	计算平均数，加axis就是某一个轴， 比如axis=0，就是每一列一个平均数（a[;;;][0],a[,,,,][1],…..,) average只能是np.average
hypot	输入为一个2*N的nadarray 输出N，为每一列元素作为直角边，斜边的长度
median	中位数
std	标准差
newaxis	添加一个维度 感觉还是reshape靠谱一点
ravel	和flatten差不多，唯一的区别是，修改会影响原始数组
reshape
resize	如果一样大的话和a.reshape()差不多 shape比a的尺寸小的话，那就是截取 如果尺寸大的话，会把a的元素按照a的顺序补进去
np.round	round( number ) 函数会返回浮点数 number 的四舍五入值 具体定义为 round(number[,digits])： 如果 digits>0 ，四舍五入到指定的小数位； 如果 digits=0 ，四舍五入到最接近的整数； 如果 digits<0 ，则在小数点左侧进行四舍五入； 如果 round() 函数只有 number 这个参数，则等同于 digits=0。
split	等量对分 （axis=0 a[1~n][0]会被等分到各个里面去） 一定是等量，不等量的话会报错 vsplit=split(axis=0) hsplit=split(axis=1)
array_split	不等量分割
np.sin	逐元素取sin
astype	转换类型
intersect1d
std	计算标准差 Axis=0——计算a[…][0][0],a[…][0][1],…的标准差
squeeze	删除单维度条目
tolist	转换为list
triu(data,k)	以data为数据，创建一个上三角矩阵，k表示这个上三角的边接往上/下移动几条线的距离
tile	np.tile（a,(2)）函数的作用就是将函数将函数沿着X轴扩大两倍。如果扩大倍数只有一个，默认为X轴 np.tile(a,(2,1))第一个参数为Y轴扩大倍数，第二个为X轴扩大倍数。本例中X轴扩大一倍便为不复制。
repeat	tile是把ndarray当作一个整体复制的，repeat就是逐行/逐列复制 repeat只能沿着一个轴复制，无法像tile一样多个轴同时复制 注意和上面tile的区别
percentage	ndarray的分位数
append	拼接
delete	删除部分行/列
np.timedelta(num,'x')	计算两个datetime中间差多少时间间隔（向下取整）【Y、M、W、D、h、m、s、ms、us、ns】
转置
where	numpy.where() 有两种用法： 1. np.where(condition, x, y) 满足条件(condition)，输出x，不满足输出y。*如果y是数组的话，输出y相应位置的元素 2. 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。 这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合条件元素的各维坐标。
fromstring	从string中提取成ndarray  只能读取一个数值序列

番外篇：理解axis

前面我们提到了axis的用法

Axis=0——

a[..][0][0],a[…][0][1],a[…][0][2]

a[..][1][0],a[…][1][1],a[…][1][2]

Axis=1——

a[0][…][0],a[0][…][1],a[0][…][2]

换一种理解就是：

有两组数据，它们的维度都是（2，3），即都是两行三列的数据。

当axis设为0时，表示我们要修改第一个维度的数据，两组数据的第一个维度都是2，当它们合并时就变成了4，所以合并后的数据的维度就是（4，3），即变成了四行三列。同理，axis设为1，合并后的数据维度就变成了（2，6），即两行六列~

同理，axis参数在其他方法里也可以用同样的方法思考，比如求均值的mean方法，当axis设为0时，对第一个维度的数据进行求均值，维度为（2，3）的数据计算完后就变成了维度为（1，3）的数据

5 文件处理

tofile() & fromfile()	tofile()将数组中的数据以二进制格式写进文件 tofile()输出的数据不保存数组形状和元素类型等信息 fromfile()函数读回数据时需要用户指定元素类型，并对数组的形状进行适当的修改 读入数据的时候，需要设置正确的dtype参数，并且修改属组的shape属性，才会得到和原始数据一致的结果 sep参数：tofile 和 fromfile中数值的分隔符
save() & load()	NumPy专用的二进制格式保存数据，它们会自动处理元素类型和形状等信息 如果load出来的不是ndarray，那可能是以压缩形式存储的 解决方法如下：
savez()	将多个数组保存到一个文件中 savez()的第一个参数是文件名，其后的参数都是需要保存的数组  没有起名的话就是'arr_0","arr_1",....起来名字的就是所起的名字(（如果不知道取了哪些名字，那就r.files找就可以）
savez_compressed()	在savez的基础上 进行一次数据压缩
ndarray写入csv	先转化成DataFrame
savetxt() & loadtxt()	读写1维和2维数组的文本文件 可以用它们读写CSV格式的文本文件 loadtxt 有一个参数是skiprows，表示跳过几行的内容
isnan	判断ndarray里面的元素是否是NaN

6 set_printoptions

6.1 保留几位小数

rand_arr = np.random.random([5,3])

np.set_printoptions(precision=3)
rand_arr[:4]
'''
array([[0.533, 0.978, 0.868],
       [0.248, 0.655, 0.559],
       [0.585, 0.662, 0.718],
       [0.087, 0.431, 0.201]])
'''

rand_arr = np.random.random([5,3])

np.set_printoptions(precision=7)
rand_arr[:4]
'''
array([[0.0133688, 0.8744358, 0.7132955],
       [0.9936528, 0.4186267, 0.8520905],
       [0.3911983, 0.274797 , 0.5786427],
       [0.863201 , 0.7360145, 0.7583792]])
'''

6.2 输出多少个数

np.set_printoptions(threshold=6)
a = np.arange(15)
a
#array([ 0,  1,  2, ..., 12, 13, 14])

np.set_printoptions(threshold=15)
a = np.arange(15)
a
#array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

import sys
np.set_printoptions(threshold=sys.maxsize)
a = np.arange(15)
a
#array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

 python 笔记：爱因斯坦求和 einsum_UQI-LIUWJ的博客-CSDN博客