numpy学习

1.Numpy属性

• ndim：秩
• shape：形状
• size：个数
• dtype：元素类型

2.创建操作

b = np.array([1, 2, 3])
# 创建一个numpy数组

c = np.zeros((2, 3))
# 创建全0

d = np.ones((3, 3))
# 全1

e = np.arange(0, 10, 2)
# 类似range，(起始，结尾， 步长)

f = np.linspace(0, 1, 5)
# 等间隔数组包含[L, R]

3.运算

1. 基本算术运算：

   x = np.array([1, 2, 3])
   y = np.array([4, 5, 6])
   
   # 加法
   z = x + y  # 输出: [5 7 9]
   
   # 减法
   z = x - y  # 输出: [-3 -3 -3]
   
   # 乘法
   z = x * y  # 输出: [4 10 18]
   
   # 除法
   z = x / y  # 输出: [0.25 0.4  0.5]
   

2. 广播（Broadcasting）：

   x = np.array([1, 2, 3])
   y = 2
   
   # 数组与标量运算
   z = x * y  # 输出: [2 4 6]
   

3. 矩阵乘法：

   a = np.array([[1, 2], [3, 4]])
   b = np.array([[5, 6], [7, 8]])
   
   # 元素逐个相乘
   c = a * b  # 输出: [[ 5 12]
              #       [21 32]]
   
   # 矩阵乘法
   d = np.dot(a, b)  # 输出: [[19 22]
                     #       [43 50]]
   

4. 数组求和、最大值、最小值、均值等：

   a = np.array([1, 2, 3, 4, 5])
   
   # 总和
   total = np.sum(a)  # 输出: 15
   
   # 最大值
   max_value = np.max(a)  # 输出: 5
   
   # 最小值
   min_value = np.min(a)  # 输出: 1
   
   # 平均值
   mean_value = np.mean(a)  # 输出: 3.0
   
   # 标准差
   std_value = np.std(a)  # 输出: 1.4142135623730951
   

5. 数组变形和转置：

   a = np.array([[1, 2, 3], [4, 5, 6]])
   
   # 变形
   b = a.reshape((3, 2))  # 输出: [[1 2]
                          #       [3 4]
                          #       [5 6]]
   
   # 转置
   c = a.T  # 输出: [[1 4]
             #       [2 5]
             #       [3 6]]
   

6. 索引和切片：

   a = np.array([1, 2, 3, 4, 5])
   
   # 访问单个元素
   print(a[0])  # 输出: 1
   
   # 访问子数组
   print(a[1:4])  # 输出: [2 3 4]
   
   b = np.array([[1, 2, 3], [4, 5, 6]])
   
   # 访问二维数组元素
   print(b[0, 1])  # 输出: 2
   
   # 访问二维数组的行
   print(b[0, :])  # 输出: [1 2 3]
   
   # 访问二维数组的列
   print(b[:, 1])  # 输出: [2 5]
   

7. 条件筛选：

   a = np.array([1, 2, 3, 4, 5, 6])
   
   # 条件筛选
   b = a[a > 3]  # 输出: [4 5 6]
   

8. axis：

   import numpy as np
   
   a = np.array([[1, 2, 3], [4, 5, 6]])
   
   #沿轴0求和（按列求和）
   sum_axis_0 = np.sum(a, axis=0)
   print(sum_axis_0)  # 输出: [5 7 9]
   
   #沿轴1求和（按行求和）
   sum_axis_1 = np.sum(a, axis=1)
   print(sum_axis_1)  # 输出: [ 6 15]