numpy常用的基本操作&创建数组

numpy常用的基本操作&创建数组

1.创建数组

• 0和1数组

  • np.ones(shape)、np.zeros(shape)

• 等差序列

  • np.linspace(start,stop,num=50) —生产等差数列 num是间距，默认50
  • np.arange(start,stope,step,dtype)
  • np.logspace(start,stop, num, endpoint, base, dtype)

• 创建随机数组

  • np.random模块

    • 均匀分布

      • np.random.rand(10) —返回0~1之间的均匀分布的10个小数

        • rand(shape)里面传的是形状，返回都是0-1之间的数

      • np.random.uniform(0,10) —返回0~10之间的一个小数

        • np.random.uniform(1,3,(2,3))返回一个形状（2，3）的数组

      • np.random.randint(10) —返回0~10之间的一个整数

    • 正态分布

      • np.random.normal(均值，标准差，维度)
      • np.random.standard_normal(size=(3,4))

• 用现有数据创建

  • np.array([[1,2,3],[4,5,6]]) —得到一个新数组

  • np.asarray(object) —得到的是object的索引

  • np.copy(object)

2.数组的索引

• 例子：三维数组a1，a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])
• a1[0, 0, 1] 为2 ， 修改a1[0,0] = 0
• 则a1变为array([ [[0,0,0],[4,5,6]], [[12,3,34],[5,6,7]] ])

3.数组形状与类型变化

• ndarray.reshape([x,y])

  • 修改原数组形状，如果给定的数组数据和需要reshape的形状不符合时，将会报错

• ndarray.resize([x,y])

  • 返回新数组，如果新数组比原数组大，则将会copy原数组中的值对新数组进行填充

• ndarray.flatten() —默认按行降维，，加上“F”，按列降维

• 修改类型

  • ndarray.astype(np.int32)
  • ndarray.round(3) —修改小数位数

4.数组转换

• ndarray.T 数组转置

• ndarray.tostring()\tobytes()

• ndarray.copy()

  • temp = stock_day_rise[:4, :4].copy() —截取部分数据进行copy

5.逻辑运算

• np.all()

  • np.all(data[0:2,0:5] > 0) —判断data[0:2,0:5]是否全是>0的

• np.unique() —返回新数组，去重

• np.where(temp > 0, 1, 0)

  • np.where(np.logical_and(temp > 0.5, temp < 1), 1, 0)

    判断 大于0.5并且小于1的，换为1，否则为0

  • np.where(np.logical_or(temp > 0.5, temp < -0.5), 1, 0)

    判断 大于0.5或者小于-0.5的，换为1，否则为0

6.统计运算

• np.min\max\mean\std\argmax\argmin
  • np.argmax、np.argmin —完成最大值最小值的索引
• 分位数
  • np.percentile(a,50) —中位数就是50%处的数字

7.数组间运算

• 广播机制
  • Broadcast机制的功能是为了方便不同形状的array（numpy库的核心数据结构）进行数学运算

  • 对应位置维度数相等，或者有一方为1

    • 维度相等
    • shape（其中相对应的一个地方为1）
• 矩阵必须是2维的，矩阵乘法需要满足
  • （m,n）*(n,l) = (m,l)
  • np.matmul(矩阵a，矩阵b)

8.合并、分割

• 合并
  • np.concatenate([a,b],axis=0)
  • np.hstack([a,b]) —横向
  • np.vstack([a,b]) —纵向
• 分割
  • np.split(a, 4, axis=0)

10.属性&类型

• 属性：shape、flags、ndim（数组维数）、size（数组中元素数量）、itemsize（一个元素的长度）、nbytes
• 类型：np.bool、np.int8、np.uint8…

11.运算快的原因

• 数组内存块风格
  • 创建array的默认方式是 “C-type” 以 row 为主在内存中排列
• 并行化运算（也叫向量化运算）
  • numpy底层使用BLAS做向量，矩阵运算

12.一些方法的使用技巧

• np.squeeze()
  • 从数组的形状中删除单维度条目，即把shape中为1的维度去掉
• np.eye()
  • 可以用于生成one-hot矩阵