numpy的使用（一）

在学python的过程中会发现，numpy用的非常多，因此针对这个库中的一些方法做了点小笔记，并不全面，且大多内容参考自其他博客内容。

本文的大部分代码来自：给深度学习入门者的Python快速教程 - numpy和Matplotlib篇，结合文中的代码进行了学习，在有些地方不太理解，因此也参考了其他资料做了简要补充说明。

---

1、array（数组）

是numpy中最基本的数据结构，利用array函数可以非常方便的创建多种类型的数组，并且可以是多维数组。

https://blog.csdn.net/qq_36076233/article/details/70308618
NumPy数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推。在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量。比如说，二维数组相当于是一个一维数组，而这个一维数组中每个元素又是一个一维数组。所以这个一维数组就是NumPy中的轴（axes），而轴的数量——秩，就是数组的维数。
Numpy库中的矩阵模块为ndarray对象，有很多属性：T，data, dtype, flags, flat, imag, real, size, itemsize, nbytes, ndim, shape, strides, ctypes, base等等。

import numpy as np
a = [1, 2, 3, 4]            #普通的定义数组方法
b = np.array(a)             # array([1, 2, 3, 4])
type(b)                     # <type 'numpy.ndarray'>

1、https://blog.csdn.net/scorpion_zs/article/details/52526310
ndarray对象是用于存放同类型元素的多维数组，是numpy中的基本对象之一，另一个是func对象。
2、https://blog.csdn.net/norsd/article/details/76780310
简单说 numpy.array(…) 作为一个函数, 他返回numpy.ndarray这个class
与numpy.array这个函数同类型的有：
numpy.array
numpy.zeros
numpy.empty

---

2、ndarray.shape

shape是ndarray的一个成员变量，表示数组的每个方向上的维度。
a.shape是通过访问矩阵类的成员变量的shape值；
a.shape()是通过调用矩阵类的成员函数的到shape值；
两者返回的结果相同，都是一个tuple类型，表示数组的维度。

例如：

b.shape     #（4，）               

b.shape返回一个数组维度的元组，结果表示b是一个一维数组，数组中有4个元素。
又如：

bb=np.array([[1],[2]]) 
bb.shape  #（2,1）

结果（2,1）表示c是一个二维数组，每个数组中有一个元素。

---

注意：
（4，）表示一维数组，4个元素
（2,3）表示二维数组，每维3个元素

---

3、np.ndarray的size

np.ndarray的size 结果表示数组所有元素的个数（包括所有维度）；

c = [[1, 2], [3, 4]]        # 二维列表
d = np.array(c)             # 二维numpy数组
d.shape                     # (2, 2) 二维数组，每维度两个元素
d.size                      # 4 表示数组所有元素的个数（包括所有维度）

---

4、np.max与np.maximum

(转载自https://blog.csdn.net/lanchunhui/article/details/52700895)

(1)参数部分：

• np.max：(a, axis=None, out=None, keepdims=False)
  求序列的最值
  最少接收一个参数
  axis：默认为列向（也即 axis=0），axis = 1 时为行方向的最值；
• np.maximum：(X, Y, out=None)
  X 与 Y 逐位比较取其大者；
  最少接收两个参数

(2)使用上：

np.max([-2, -1, 0, 1, 2])    #2

np.maximum([-2, -1, 0, 1, 2], 0)   #array([0, 0, 0, 1, 2])  注意！！！
# 当然 np.maximum 接受的两个参数，也可以大小一致
# 或者更为准确地说，第二个参数只是一个单独的值时，其实是用到了维度的 broadcast 机制；

同时max还可以指定某个维度：

#（1,2）
#（3,4）
#第一列是1,3，第二列是2,4；
#第一行是1,2，第二行是3,4；
d.max(axis=0)   # axis=0表示列，array([3, 4]) 
                #【因max（1,3）=3；max（2,4）=4】

d.max(axis=1)   # axis=1表示行，array([2, 4])
                #【因max（1,2）=2；max（3,4）=4】

d.mean(axis=0)  # 列的均值，array([ 2.,  3.])
                #【因mean（1,3）=2；mean（2,4）=3】

其它：

b.argmax()                  # 3 返回数组中最大值的坐标
b.max()                     # 4  最大值
b.mean()                    # 2.5 均值

---

5、numpy.flatten()和numpy.ravel()

（参考：https://blog.csdn.net/lanchunhui/article/details/50354978）
二者的功能都是将多维数组降成一位数组。区别在于：numpy.faltten()返回一份拷贝，对拷贝所做的修改不会影响原始数据，而numpy.ravel返回视图，改变后会同时修改原始矩阵

d.flatten()   # 展开一个numpy数组为1维数组，array([1, 2, 3, 4])
np.ravel(c)   # 展开一个可以解析的结构为1维数组，array([1, 2, 3, 4])

---

6、numpy.ones()和numpy.repeat()

numpy.ones()生成值为全1的数组；
numpy.repeat()

# 3x3的浮点型2维数组，并且初始化所有元素值为1
e = np.ones((3, 3), dtype=np.float)
#结果：array([[1., 1., 1.],
             [1., 1., 1.],
             [1., 1., 1.]])

# 创建一个一维数组，元素值是把3重复4次
f = np.repeat(3, 4)    #结果： array([3, 3, 3, 3])

---

7、np.zeros()

（参考: https://blog.csdn.net/qq_26948675/article/details/54318917）
用法：zeros(shape, dtype=float, order=’C’)
（1）shape可指定形状（维度和元素个数）；
（2）dtype:数据类型，可选择不同参数，默认是numpy.float64；

• dtype数据类型：
  
  • t ,位域,如t4代表4位
  • b,布尔值，true or false
  • u,无符号整数，u8(64位）
  • f,浮点数，f8（64位）
  • c,浮点负数，
  • o,对象，
  • s,a，字符串，s24
  • u,unicode,u24

（3）order:可选参数，c代表与c语言类似，行优先；F代表列优先。

#1、生成一维3列的浮点型（numpy.float64）型零数组
np.zeros(3)   #array([0.,0.,0.]) 默认是浮点型零数组

#2、生成一维3列的整型零数组
np.zeros(（3），dtype=np.int)   #array([0,0,0]) 

#3、生成2维3列的零数组
t=(2,3)
np.zeros(t)
#结果是 array([[0., 0., 0.],
              [0., 0., 0.]]) 二维，每维3个元素

#4、生成1维2列的数组
np.zeros((2,), dtype=[('x', 'i4'), ('y', 'i4')]) 
#结果是 array([(0, 0), (0, 0)],dtype=[('x', '<i4'), ('y', '<i4')])

4的结果： array([(0, 0), (0, 0)],dtype=[('x', '<i4'), ('y', '<i4')])
对比分析： np.zeros(2,) 的结果是 array([0., 0.])

！注意：第4个例子：“（2，）”,表示生成的是一个1维数组，包括2个元素。dtype的参数含义为：每一个元素包括2个值：x和y，并且x和y的类型都是8位整数（i表示整数，i4表示2^4=8），因为#4指定了x和y，所以最后的数组每个元素里面包括两个值。

4中的dtype后面若是再加一个z，则生成数组会变成每个元素包括三个值
np.zeros((2,), dtype=[(‘x’, ‘i4’), (‘y’, ‘i4’), (‘z’, ‘i4’)])
结果是： [(0, 0, 0) (0, 0, 0)], dtype=[(‘x’, ‘i4’), (‘y’, ‘i4’), (‘z’, ‘i4’)])

---

8、np.save和np.load（文件读取）

#代码来自：numpy教程：基本输入输出和文件输入输出Input and output
(https://blog.csdn.net/pipisorry/article/details/39088003)


>>> a = np.arange(8)
>>> b = np.add.accumulate(a)
>>> c = a + b
>>> f = file("result.npy", "wb")
>>> np.save(f, a) # 顺序将a,b,c保存进文件对象f
>>> np.save(f, b)
>>> np.save(f, c)
>>> f.close()
>>> f = file("result.npy", "rb")
>>> np.load(f) # 顺序从文件对象f中读取内容
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> np.load(f)
array([ 0,  1,  3,  6, 10, 15, 21, 28])
>>> np.load(f)
array([ 0,  2,  5,  9, 14, 20, 27, 35])