NumPy学习笔记三

NumPy算术运算

NumPy 数组的“加减乘除”算术运算，分别对应 add()、subtract()、multiple() 以及 divide() 函数。

numpy.reciprocal()

该函数对数组中的每个元素取倒数，并以数组的形式将它们返回。

# 注意此处有0
a = np.array([0.25, 1.33, 1, 0, 100])
# 数组a默认为浮点类型数据
print(a)
# 对数组a使用求倒数操作
print (np.reciprocal(a))
# b数组的数据类型为整形int
b = np.array([100], dtype=int)
print(b)
# 对数组b使用求倒数操作
print(np.reciprocal(b))

numpy.power()

该函数将 a 数组中的元素作为底数，把 b 数组中与 a 相对应的元素作幂 ，最后以数组形式返回两者的计算结果。

a = np.array([10, 00, 1000]) 
# a数组
print('我们的数组是；')
# 调用 power 函数
print(np.power(a, 2))
b = np.array([1, 2, 3]) 
print(b)
print(np.power(a, b))

numpy.mod()

返回两个数组相对应位置上元素相除后的余数，它与 numpy.remainder() 的作用相同 。

import numpy as np
a = np.array([11,22,33])
b = np.array([3,5,7])
#a与b相应位置的元素做除法
print( np.mod(a,b))
#remainder方法一样
print(np.remainder(a,b)) 

复数数组处理函数

numpy.real() 返回复数数组的实部；
numpy.imag() 返回复数数组的虚部；
numpy.conj() 通过更改虚部的符号，从而返回共轭复数；
numpy.angle() 返回复数参数的角度，该函数的提供了一个 deg 参数，如果 deg=True，则返回的值会以角度制来表示，否则以以弧度制来表示。

NumPy统计函数

amin() 沿指定的轴，查找数组中元素的最小值，并以数组形式返回；
amax() 沿指定的轴，查找数组中元素的最大值，并以数组形式返回。

import numpy as np
a = np.array([[3, 7, 5], [8, 4, 3], [2, 4, 9]]) 
print('数组a是：')
print(a)
# amin()函数
print(np.amin(a))
# 调用 amin() 函数，axis=1
print(np.amin(a, 1))
# 调用amax()函数
print(np.amax(a))
# 再次调用amax()函数
print(np.amax(a, axis=0))

numpy.ptp()

numpy.ptp() 用于计算数组元素中最值之差值，也就是（最大值 - 最小值）。

numpy.median()

numpy.median() 用于计算 a 数组元素的中位数（中值）

numpy.mean()

该函数表示沿指定的轴，计算数组中元素的算术平均值（即元素之总和除以元素数量）。

numpy.average()

加权平均值是将数组中各数值乘以相应的权数，然后再对权重值求总和，最后以权重的总和除以总的单位数（即因子个数）。
numpy.average() 根据在数组中给出的权重，计算数组元素的加权平均值。该函数可以接受一个轴参数 axis，如果未指定，则数组被展开为一维数组。

方差np.var()

方差，在统计学中也称样本方差，如何求得方差呢？首先我们要知道全体样本的的平均值，然后再求得每个样本值与均值之差的平方和，最后对差的平方和求均值。

标准差np.std()

标准差是方差的算术平方根，用来描述一组数据平均值的分散程度。若一组数据的标准差较大，说明大部分的数值和其平均值之间差异较大；若标准差较小，则代表这组数值比较接近平均值。

NumPy排序和搜索功能

常见三种排序算法：

种类	速度	最坏复杂度	工作空间	稳定性
quicksort（快速排序）	1	O(n^2)	0	不稳定
mergesort（归并排序）	2	O(n * log(n)）	~n/2	稳定
heapsort（堆排序）	3	O(n * log(n))	0	不稳定

numpy.sort()

numpy.sort() 对输入数组执行排序，并返回一个数组副本。

numpy.sort(a, axis, kind, order)

参数说明：
a：要排序的数组；
axis：沿着指定轴进行排序，如果没有指定 axis，默认在最后一个轴上排序，若 axis=0 表示按列排序，axis=1 表示按行排序；
kind：默认为 quicksort（快速排序）；
order：若数组设置了字段，则 order 表示要排序的字段。

numpy.argsort()

argsort() 沿着指定的轴，对输入数组的元素值进行排序，并返回排序后的元素索引数组。

import numpy as np 
a = np.array([90, 29, 89, 12]) 
print("原数组",a) 
sort_ind = np.argsort(a) 
print("打印排序元素索引值",sort_ind) 
#使用索引数组对原数组排序
sort_a = a[sort_ind] 
print("打印排序数组") 
for i in sort_ind: 
    print(a[i],end = " ")  

numpy.lexsort()

numpy.lexsort() 按键序列对数组进行排序，它返回一个已排序的索引数组，类似于 numpy.argsort()。

numpy.nonzero()

该函数从数组中查找非零元素的索引位置。

numpy.where()

numpy.where() 的返回值是满足了给定条件的元素索引值。

numpy.extract()

该函数的返回值是满足了给定条件的元素值。

numpy.argmax()

该函数返回最大值的的索引，与其相反的函数是 argmin() 求最小值索引

import numpy as np
a = np.array([[30,40,70],[80,20,10],[50,90,60]]) 
#a数组
print (a)
#argmax() 函数
print (np.argmax(a))
#将数组以一维展开
print (a.flatten())
#沿轴 0 的最大值索引：
maxindex = np.argmax(a, axis =  0) 
print (maxindex)
#沿轴 1 的最大值索引
maxindex = np.argmax(a, axis =  1) 
print (maxindex) 

NumPy副本和视图

对 NumPy 数组执行些函数操作时，其中一部分函数会返回数组的副本，而另一部分函数则返回数组的视图。本节对数组的副本和视图做重点讲解。
其实从内存角度来说，副本就是对原数组进行深拷贝，新产生的副本与原数组具有不同的存储位置。而视图可理解为对数组的引用，它和原数组有着相同的内存位置。

赋值

赋值操作是数组引用的一种方法。比如，将 a 数组赋值给变量 b，被赋值后的变量 b 与 a 组具有相同的内存 id。因此，无论操作 a、b 中哪个数组，另一个数组也会受到影响。

import numpy as np
a = np.array([[1, 2, 3, 4], [9, 0, 2, 3], [1, 2, 3, 19]])
print("原数组", a)
print("a数组的ID:", id(a))
b = a
print("数组b的id:", id(b))
b.shape = 4, 3
print("b数组形状的更改也会反映到a数组上:")
print(a)

ndarray.view()

ndarray.view() 返回一个新生成的数组副本，因此对该数组的操作，不会影响到原数组。
注意赋值与拷贝的关系

切片创建视图

使用切片可以创建视图数组，若要修改视图的就会影响到原数组。

import numpy as np
arr = np.arange(10)
print ('数组arr：')
print (arr)
#创建切片修改原数组arr
a=arr[3:]
b=arr[3:]
a[1]=123
b[2]=234
print(arr)

ndarray.copy()

该方法返回原数组的副本，对副本的修改不会影响到原数组。