准备
利用cmd命令在指定环境下安装numpy
$ pip install numpy
基础
axes：维度,
rank：维度数,
ndarray：数组类
python库的数组不太一样，它包含的元素必须是相同类型的。
ndarray的常见属性如下:
ndarray.ndim数组的轴数(即rank)ndarray.shape数组的维度，返回的是一个元组，元组的长度值刚好是ndimndarray.size数组元素的个数ndarray.dtype数组元素的类型ndarray.itemsize数组元素的字节大小ndarray.data数组包含的实际数据(一般情况下不会用到这个属性，都是通过索引来访问元素)
数组例子
>>> import numpy as np
>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> type(a)
numpy.ndarray
>>> a.ndim
2
>>> a.shape
(3, 5)
>>> a.size
15
>>> a.dtype
dtype('int64')
>>> a.itemsize
8
>>> a.data
<memory at 0x11221b120>
创建数组
创建数组一般有如下几种方法:
通过array函数，可以从普通的python列表或元组来创建
>>> a=np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')
一个常见的错误就是在调用array函数时， 传递多个参数，而不是一个列表
>>> a = np.array(1,2,3,4) # 错误
>>> a = np.array([1,2,3,4]) # 正确
array同样可以接受列表序列并将它转换为多维数组
>>> c = np.array([(1.5, 2.3), (4,5,6)])
>>> c
array([(1.5, 2.3), (4, 5, 6)], dtype=object)
同样可以在创建数组的时候，指定数据类型
>>> d = np.array([[1,2], [3,4]], dtype=complex)
>>> d
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
通常情况下， 数组元素的初始数据是不知道的，但是知道数组的大小。因此Numpy提供了一些函数来创建指定大小的数组，并用占位符来填充数组。
zeros：创建初始值为0的数组ones:初始值为1的数组empty:未初始化的随机数组
默认情况下，上面三个函数创建数组的元素类型都是float64。
>>> np.zeros((3,4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> np.ones((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
>>> np.empty((2,5))
array([[ 2.68156159e+154, 2.68679227e+154, 2.37663529e-312,
2.56761491e-312, 8.48798317e-313],
[ 9.33678148e-313, 8.70018275e-313, 2.02566915e-322,
0.00000000e+000, 6.95335581e-309]])
为了创建序列函数，Numpy也提供了类似range函数的方法
>>> np.arange(10, 30, 5)
array([10, 15, 20, 25])
>>> np.arange(0, 2, 0.3)
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
当使用arange函数的生成float类型的序列时，生成的序列有时候并不会按照我们预期的步长来生成，要实现这个效果，最好是用linspace函数来代替。例如:
>>> from numpy import pi
>>> np.linspace(0, 2, 9)
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
>>> x = np.linspace( 0, 2*pi, 100 )
>>> f=np.sin(x)
除此之外，还可以使用下面的函数来创建数组
arrayzeroszeros_like# 创建一个和给定数组相同shape的全是0的数组onesones_likeemptyempty_likearangelinspacenumpy.random.rand# 从 [0, 1) 中返回一个或多个样本值。numpy.random.randn# 从标准正态分布中返回一个或多个样本值。fromfunctionfromfile
基本操作(数组运算）
数组的算术运算会自动作用于每个元素，并返回一个新的数组
>>> a = np.array([20,30,40,50])
>>> b = np.arange(4)
>>> c = a - b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10 * np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a < 35
array([ True, True, False, False], dtype=bool)
*返回的是每个元素相乘的结果，要实现矩阵乘法，需要使用dot函数
>>> a = np.array([ [1, 1],
... [0, 1]])
...
>>> b = np.array([ [2, 0],
... [3, 4]])
...
>>> a * b # 对应位置的元素相乘
array([[2, 0],
[0, 4]])
>>> a.dot(b) # 矩阵乘法
array([[5, 4],
[3, 4]])
>>> np.dot(a, b) # 另一种形式的矩阵乘法
array([[5, 4],
[3, 4]])
一些操作， 如+=和*=是直接修改原有的数组，而不是新建一个
>>> a = np.ones((2,3), dtype=int)
>>> a
array([[1, 1, 1],
[1, 1, 1]])
>>> b = np.random.random((2,3))
>>> b
array([[ 0.7216234 , 0.5813183 , 0.21175569],
[ 0.11697569, 0.89835328, 0.06088455]])
>>> a.dtype
dtype('int64')
>>> b.dtype
dtype('float64')
>>> b+=a
>>> b
array([[ 1.7216234 , 1.5813183 , 1.21175569],
[ 1.11697569, 1.89835328, 1.06088455]])
# 报错的原因是因为a数组原来是保存int64类型，现在没法保存float64类型
>>> a+=b
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-11-0a45668e3cc6> in <module>()
----> 1 a+=b
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'
当不同类型的数组运算操作时，总是向精度更高的自动转换
>>> a = np.ones(3, dtype=np.int32)
>>> b = np.linspace(0, np.pi, 3)
>>> b.dtype.name
'float64'
>>> c = a + b
>>> c
array([ 1. , 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d = np.exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'
ndarray包含了很多一元运算。如求和等
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.sum()
105
>>> a.min()
0
>>> a.max()
14
默认情况下，这些操作都是作用于每一个元素，而不管它的维度。但是，通过axis参数来限定操作的轴
>>> b = np.arange(12).reshape(3, 4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
# 计算每一列的和
>>> b.sum(axis=0)
array([12, 15, 18, 21])
# 计算每一行的最小值
>>> b.min(axis=1)
array([0, 4, 8])
# 每一行累积和
>>> b.cumsum(axis=1)
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
通用函数
Numpy提供了很多常见的数学上的运算，如sin, cos, exp。在Numpy中，我们称这些为"universal functions"（ufunc）
>>> B = np.arange(3)
>>> B
array([0, 1, 2])
>>> np.exp(B)
array([ 1. , 2.71828183, 7.3890561 ])
>>> 2.71828183 * 2.71828183
7.389056107308149
>>> np.sqrt(B)
array([ 0. , 1. , 1.41421356])
>>> C = np.array([2., -1., 4.])
>>> np.add(B, C)
array([ 2., 0., 6.])
索引，切片和迭代
一维数组的索引，切片，迭代跟普通的python列表一样
>>> a = np.arange(10) ** 3
>>> a
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] # 等价于a[0:6:2]
array([ 0, 8, 64])
>>> a[:6:2] = -1000
>>> a
array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])
>>> a[::-1] # 反转数组a
array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
>>> for i in a:
... print(i**(1/3.))
...
nan
1.0
nan
3.0
nan
5.0
6.0
7.0
8.0
9.0
多维数组可以在每个轴上索引，多个索引用,分隔
>>> def f(x,y):
... return 10*x +y
...
>>> b=np.fromfunction(f, (5,4), dtype=int)
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> help(np.fromfunction)
>>> b[2,3]
23
>>> b[0:5, 1]
array([ 1, 11, 21, 31, 41])
>>> b[:, 1]
array([ 1, 11, 21, 31, 41])
>>> b[1:3, :]
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
当索引数少于轴数时，缺失的索引认为是全切片:
>>> b[-1] # 等价于 b[-1,:]
array([40, 41, 42, 43])
同样可以使用...来表示全切片，它代表补全剩下的所有索引。例如数组x, rank是5.那么
-
x[1,2,...]等价于x[1,2,:,:,:] -
x[...,3]等价于x[:,:,:,:,3] -
x[4,...,5,:]等价于x[4,:,:,5,:]>>> c = np.array([[[0,1,2], ... [10,12,13]], ... [[100,101,102], ... [110,112,113]]]) ... >>> c.shape (2, 2, 3) >>> c[1,...] array([[100, 101, 102], [110, 112, 113]]) >>> c[...,2] array([[ 2, 13], [102, 113]])
多维数组的迭代是根据第一个轴来操作的
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> for row in b:
... print(row)
...
[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]
如果想遍历每个元素，可以使用flat属性
>>> for element in b.flat:
... print(element)
...
0
1
2
3
10
11
12
13
20
21
22
23
30
31
32
33
40
41
42
43
shape操作
改变数组的shape
许多函数都可以改变数组的shape，但是它们都是返回一个新的修改后的数组，并不会改变原数组
>>> a = np.floor(10*np.random.random((3,4)))
>>> a.shape
(3, 4)
>>> a
array([[ 7., 8., 0., 9.],
[ 8., 4., 9., 8.],
[ 4., 3., 7., 0.]])
# 返回降维的数组
>>> a.ravel()
array([ 7., 8., 0., 9., 8., 4., 9., 8., 4., 3., 7., 0.])
# 直接修改shape
>>> a.reshape(6,2)
array([[ 7., 8.],
[ 0., 9.],
[ 8., 4.],
[ 9., 8.],
[ 4., 3.],
[ 7., 0.]])
# 数组转置
>>> a.T
array([[ 7., 8., 4.],
[ 8., 4., 3.],
[ 0., 9., 7.],
[ 9., 8., 0.]])
>>> a.T.shape
(4, 3)
>>> a.shape
(3, 4)
reshape返回修改后的数组，不改变数组本身，但是resize函数直接修改原数组
>>> a
array([[ 7., 8., 0., 9.],
[ 8., 4., 9., 8.],
[ 4., 3., 7., 0.]])
>>> a.resize((2,6))
>>> a
array([[ 7., 8., 0., 9., 8., 4.],
[ 9., 8., 4., 3., 7., 0.]])
如果一个维度为的是-1, 那么reshape函数会自动计算它的值。
>>> a
array([[ 7., 8., 0., 9., 8., 4.],
[ 9., 8., 4., 3., 7., 0.]])
>>> a.reshape(3, -1)
array([[ 7., 8., 0., 9.],
[ 8., 4., 9., 8.],
[ 4., 3., 7., 0.]])
数组合并
多个数组可以根据不同的轴组合在一起
>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[ 1., 1.],
[ 4., 4.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 2., 9.],
[ 0., 3.]])
>>> np.vstack((a, b))
array([[ 1., 1.],
[ 4., 4.],
[ 2., 9.],
[ 0., 3.]])
>>> np.hstack((a,b))
array([[ 1., 1., 2., 9.],
[ 4., 4., 0., 3.]])
column_stack函数把1维数组当做列来拼成2维数组，如果只是操作2维数组，跟hstack的等效。
>>> a
array([[ 1., 1.],
[ 4., 4.]])
>>> b
array([[ 2., 9.],
[ 0., 3.]])
# 操作2维数组，等效于hstack
>>> np.column_stack((a, b))
array([[ 1., 1., 2., 9.],
[ 4., 4., 0., 3.]])
>>> a = np.array([4., 2.])
>>> b = np.array([3., 8.])
# 操作1维数组，返回2维数组，a,b分别为2维数组的列
>>> np.column_stack((a, b))
array([[ 4., 3.],
[ 2., 8.]])
>>> from numpy import newaxis
# 将1维数组变成2维数组
>>> a[:,newaxis]
array([[ 4.],
[ 2.]])
# 都是操作二维数组，下面两个操作column_stack和hstack等效
>>> np.column_stack((a[:, newaxis], b[:, newaxis]))
array([[ 4., 3.],
[ 2., 8.]])
>>> np.hstack((a[:, newaxis], b[:, newaxis]))
array([[ 4., 3.],
[ 2., 8.]])
另外不论什么数组，row_stack函数等效于vstack。通常来说，2维以上的数组，hstack基于第2根轴做运算，vstack基于第1根轴，concatenate函数额外多接受一个参数，可以指定基于哪根轴做数组的合并操作。
另外, r_和c_函数对于在一个轴上组合数据相当哟偶用，他们允许使用范围符号:
>>> np.r_[1:4, 0, 4]
array([1, 2, 3, 0, 4])
数组切割
使用hsplit函数，你可以在水平方向切割一个数组
>>> a
array([[ 9., 0., 2., 0., 0., 4., 1., 6., 4., 8., 3., 9.],
[ 5., 3., 0., 5., 5., 8., 0., 5., 6., 3., 8., 7.]])
# 切割成3个数组
>>> np.hsplit(a, 3)
[array([[ 9., 0., 2., 0.],
[ 5., 3., 0., 5.]]), array([[ 0., 4., 1., 6.],
[ 5., 8., 0., 5.]]), array([[ 4., 8., 3., 9.],
[ 6., 3., 8., 7.]])]
>>> np.vsplit(a, 2)
[array([[ 9., 0., 2., 0., 0., 4., 1., 6., 4., 8., 3., 9.]]),
array([[ 5., 3., 0., 5., 5., 8., 0., 5., 6., 3., 8., 7.]])]
# 基于第3和第4列切割
>>> np.hsplit(a, (3,4))
[array([[ 9., 0., 2.],
[ 5., 3., 0.]]), array([[ 0.],
[ 5.]]), array([[ 0., 4., 1., 6., 4., 8., 3., 9.],
[ 5., 8., 0., 5., 6., 3., 8., 7.]])]
vsplit可以基于垂直轴切割，array_split可以指定基于哪个轴切割
复制和视图(Views)
当进行数组运算和改变数组时，有时候数据是被复制到一个新的数组，有时候不是。对于初学者来说，对于具体是哪种操作，很容易混淆。 主要分三种情况。
一点也不复制
>>> a = np.arange(12)
>>> b = a # 不会有新对象产生
>>> b is a # a和b是同一个数组
True
>>> b.shape
(12,)
>>> b.shape = 3, 4 # 改变b的shape, a也同样变化
>>> a.shape
(3, 4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
python中使用可变参数时，可以看做是引用传参，因此函数条用会产生新的数组
>>> def f(x):
... print(id(x))
...
>>> id(a)
4361164320
>>> f(a)
4361164320
视图(View)和浅复制(Shallow Copy)
不同的数组可以共享数据，view函数可以创造一个数据相同的新数组
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> c = a.view()
>>> c is a # c和a不是同一个数组
False
>>> c.base is a # c是a的数据的视图
True
>>> c.flags.owndata
False
>>> c.shape = 2, 6 # a的不会改变
>>> a.shape
(3, 4)
>>> c[0, 4] = 1234 # a的数据发生改变
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> c
array([[ 0, 1, 2, 3, 1234, 5],
[ 6, 7, 8, 9, 10, 11]])
一个数组的切片返回的就是它的视图
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> s = a [:, 1:3]
>>> s
array([[ 1, 2],
[ 5, 6],
[ 9, 10]])
>>> s[:] = 10 # s[:]是s的视图
>>> s
array([[10, 10],
[10, 10],
[10, 10]])
深度复制(Deep Copy)
copy方法可以完全复制数组和它的数据
>>> a = np.arange(12).reshape((3,4))
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> d = a.copy()
>>> d is a
False
>>> d.base is a
False
>>> d[0, 0] = 9999
>>> d
array([[9999, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
函数和方法概览
如下是按照分类整理的常用函数和方法，完整的分类可以参考Routines
数组创建
- arange
- array
- copy
- empty
- empty_like
- eye # 创建一个对角线全是1的二维数组
- fromfile
- fromfunction
- identity # 创建一个对角线全是1的方形矩阵，与eye方法差不多，只是可以接受的参数不同
- linspace
- logspace # 创建等比数列
- mgrid
- orgid
- ones
- ones_like
- zeros
- zeros_like
转换
- ndarray.astype # 改变数组的元素格式
- atleast_1d # 将输入转换为至少1维数组
- atleast_2d
- alteast_3d
- mat # 将输入转换为矩阵
处理
- array_split
- column_stack
- concatenate
- diagonal
- dsplit
- dstack
- hsplit
- hstack
- ndarray.item
- newaxis
- ravel
- repeat
- reshape
- resize
- squeeze
- swapaxes
- take
- transpose
- vsplit
- vstack
Questions
- all
- any
- nonezero
- where
排序
- argmax # 返回最大值的索引
- argmin # 返回最小值的索引
- argsort # 返回排序后的索引
- max
- min
- ptp
- searchsorted
- sort
运算
- choose
- compress
- cumprod
- cumsum
- inner
- ndarray.fill
- imag
- prod
- put
- putmask
- real
- sum
基本统计
- cov
- mean
- std
- var
线性代数
- cross
- dot
- outer
- linalg
- svd
- vdot
Less Basic
广播机制
属于广播主要描述于numpy对于不同shape的数组如何进行算术运算。受限于一些特定约束。
一般都是小的数组扩展为大的数组，以便能计算。
通常情况下，numpy操作的数组必须是相同shape的。
>>> import numpy as np
>>> a = np.array([1.0, 2.0, 3.0])
>>> b = np.array([2.0, 2.0, 2.0])
>>> a * b
array([ 2., 4., 6.])
当数组的shape满足某些特定约束时，numpy的广播机制可以使这个约束更宽松。最简单的就是广播例子就是当数组和一个标量操作时。
>>> a = np.array([1.0, 2.0, 3.0])
>>> b = 2.0
>>> a * b
array([ 2., 4., 6.])
上面两个例子的结果是一样的，我们可以认为标量b被扩展为了和a同样shape的数组，b中的新元素就是原来标量的拷贝。这个扩展策略仅仅是概念上的，实际上Numpy足够聪明，能自动使用标量做运算，而不需要复制任何东西。所以广播运算从计算内存上来说更优秀。
要能满足广播，必须符合下面两条规则：
- 广播之后，输出数组的shape是输入数组shape的各个轴上的最大值，然后沿着较大shape属性的方向复制延伸；
- 要进行广播机制，要么两个数组的shape属性一样，要么其中有一个数组的shape属性必须有一个等于1；
索引
numpy除了支持普通的python方式的索引和切片之外，还支持整数数组或布尔数组索引
数组索引
>>> a = np.arange(12) ** 2
>>> i = np.array([1,1,3,8,5])
>>> a
array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100, 121])
>>> i
array([1, 1, 3, 8, 5])
# 返回a中再索引i的元素
>>> a[i]
array([ 1, 1, 9, 64, 25])
>>> j = np.array([[3,4], [9,7]])
# 二维数组索引，返回a中在索引j的元素
>>> a[j]
array([[ 9, 16],
[81, 49]])
当数组索引作用在多维数组时，是根据数组的第一个维度来索引的。
>>> palette = np.array([ [0 ,0, 0],
... [255, 0, 0],
... [0, 255, 0],
... [0, 0, 255],
... [255, 255, 255] ])
...
>>> image = np.array([ [0, 1, 2, 0],
... [0, 3, 4, 0] ])
...
>>> palette[image]
array([[[ 0, 0, 0],
[255, 0, 0],
[ 0, 255, 0],
[ 0, 0, 0]],
[[ 0, 0, 0],
[ 0, 0, 255],
[255, 255, 255],
[ 0, 0, 0]]])
索引同样可以是多维的，但是必须是相同的shape
>>> a = np.arange(12).reshape(3, 4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
# indices for the first dim of a
>>> i = np.array([[0,1],
... [1,2] ])
...
# indices for the second dim
>>> j = np.array([[2, 1],
... [3, 3] ])
...
# i and j must have equal shape
# 返回的结果是是[ [a[0,2], a[1,1]
# [a[1,3], a[2, 3] ]
>>> a[i, j]
array([[ 2, 5],
[ 7, 11]])
# [ a[0,2], a[1, 2],
# a[1,2], a[2, 2] ]
>>> a[i, 2]
array([[ 2, 6],
[ 6, 10]])
# [[[ a[0,2], a[0,1],
# a[0,3], a[0,3]],
#
# a[1,2], a[1,1],
# a[1,3], a[1,3]],
#
# a[2,2], a[2,1],
# a[2,3], a[2,3]]]
>>> a[:, j]
array([[[ 2, 1],
[ 3, 3]],
[[ 6, 5],
[ 7, 7]],
[[10, 9],
[11, 11]]])
同样，我们可以把i和j放在一个列表里，然后用列表做索引
>>> l = [i, j]
# 等价于a[i, j]
>>> a[l]
array([[ 2, 5],
[ 7, 11]])
但是，我们不可以把i和j放在一个数组里，因为数组索引是作用在第一个维度上的。
>>> s = np.array([i, j])
>>> s
array([[[0, 1],
[1, 2]],
[[2, 1],
[3, 3]]])
>>> a[s]
---------------------------------------------------------------------------
IndexError Traceback (most recent call last)
<ipython-input-42-c057dc68e5fe> in <module>()
----> 1 a[s]
IndexError: index 3 is out of bounds for axis 0 with size 3
# 等价于 a[i, j]
>>> a[tuple(s)]
array([[ 2, 5],
[ 7, 11]])
我们同样可以给数组索引赋值
>>> a = np.arange(5)
>>> a
array([0, 1, 2, 3, 4])
>>> a[[1,3,4]] = 0
>>> a
array([0, 0, 2, 0, 0])
但是当列表包含相同的索引时，这个位置会被赋值多次，最终只保留最后一次的值
>>> a = np.arange(5)
>>> a[[0, 0, 2]] = [1,2,3]
>>> a
array([2, 1, 3, 3, 4])
上面看起来很合理，但是当使用+=符号的时候，结果和我们想的可能不太一样
>>> a = np.arange(5)
>>> a[[0, 0, 2]] += 1
>>> a
array([1, 1, 3, 3, 4])
尽管索引中出现了两次0，但是第0个元素它只加了1次。
布尔数组索引
当使用数字数组索引时，我们提供了哪些元素要被索引的信息。但是当使用布尔数组时，我们是明确哪些元素需要，哪些元素不需要。
>>> a = np.arange(12).reshape((3,4))
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b = a > 4
>>> b
array([[False, False, False, False],
[False, True, True, True],
[ True, True, True, True]], dtype=bool)
>>> a[b]
array([ 5, 6, 7, 8, 9, 10, 11])
这个特性非常适合用来赋值
# 所有大于4的元素都赋值为0
>>> a[b] = 0
>>> a
array([[0, 1, 2, 3],
[4, 0, 0, 0],
[0, 0, 0, 0]])
一个使用布尔数组索引的例子就是曼德博集合(Mandelbrot set)
import numpy as np
import matplotlib.pyplot as plt
def mandelbrot( h,w, maxit=20 ):
"""Returns an image of the Mandelbrot fractal of size (h,w)."""
y,x = np.ogrid[ -1.4:1.4:h*1j, -2:0.8:w*1j ]
c = x+y*1j
z = c
divtime = maxit + np.zeros(z.shape, dtype=int)
for i in range(maxit):
z = z**2 + c
diverge = z*np.conj(z) > 2**2 # who is diverging
div_now = diverge & (divtime==maxit) # who is diverging now
divtime[div_now] = i # note when
z[diverge] = 2 # avoid diverging too much
return divtime
plt.imshow(mandelbrot(400,400))
plt.show()
另一个布尔数组的场景跟数字数组索引类似，对每个维度，我们提供一个1维的数组来选择我们需要的切片
>>> a = np.arange(12).reshape(3, 4)
>>> b1 = np.array([False, True, True])
>>> b2 = np.array([True, False, True, False])
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
# 选择行
>>> a[b1, :]
array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
# 同上
>>> a[b1]
array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
# 选择列
>>> a[:, b2]
array([[ 0, 2],
[ 4, 6],
[ 8, 10]])
# a weird thing to do
>>> a[b1, b2]
array([ 4, 10])
ix_()函数 （作用待定）
字符串索引
Numpy提供了创建结构化的数组的能力，可以通过列名来操作数据
# dtype分别制定每一个的名字和数据类型
>>> x = np.array([(1, 2., 'Hello'), (2, 3., "World")], dtype=[('foo', 'i4'), ('bar', 'f4'), ('baz', 'S10')])
>>> x[1]
(2, 3., b'World')
>>> x['foo']
array([1, 2], dtype=int32)
>>> x['bar']
array([ 2., 3.], dtype=float32)
>>> x['baz']
array([b'Hello', b'World'],
dtype='|S10')
扫一扫
668
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
