numpy基础学习大集合（三）

前言

接着上面的，这里主要是玩numpy.array中的元素。

聚合操作

这主要是用函数进行数组间元素的计算，比如求max呀，求min之类。

import numpy as np
L=np.random.random(100) #100个 0-1之间
L

array([ 0.03898595,  0.3022195 ,  0.7882287 ,  0.76270256,  0.37256162,
        0.39511735,  0.06929385,  0.58518851,  0.73173138,  0.46849322,
        0.52439551,  0.12118606,  0.82896377,  0.72540335,  0.85171739,
        0.27477182,  0.67353418,  0.44193661,  0.14705037,  0.07662686,
        0.64750648,  0.93720852,  0.11261234,  0.57297072,  0.28241708,
        0.83518111,  0.29730349,  0.0254295 ,  0.89393744,  0.36754938,
        0.56347715,  0.65183632,  0.00331203,  0.01662427,  0.7299621 ,
        0.81611081,  0.14838915,  0.64192997,  0.79817554,  0.37857768,
        0.39079461,  0.32402955,  0.69512968,  0.62727529,  0.61746881,
        0.40378461,  0.5288141 ,  0.2575036 ,  0.02095473,  0.73138818,
        0.1088009 ,  0.83313609,  0.78457389,  0.2530539 ,  0.73763647,
        0.18757797,  0.32981681,  0.04290723,  0.14284224,  0.43178795,
        0.09792901,  0.99907175,  0.7099529 ,  0.90382277,  0.02921986,
        0.85885769,  0.44577064,  0.80008747,  0.51710669,  0.88316762,
        0.47233543,  0.14020518,  0.33564229,  0.64109165,  0.62168876,
        0.21428879,  0.03572946,  0.43812806,  0.06935436,  0.19317116,
        0.94904087,  0.09122501,  0.55336869,  0.54478998,  0.2039488 ,
        0.62114147,  0.84921263,  0.49206329,  0.6894036 ,  0.66828819,
        0.12382998,  0.56728057,  0.6121644 ,  0.9188154 ,  0.00149775,
        0.97592871,  0.23632949,  0.85559082,  0.73782726,  0.37510241])

这里可以用各种numpy的聚合函数

np.sum(L)

这里用

sum(L)

的效果是一样的，但是两者速度相差大概是4倍。
还有

np.min(L)
np.max(L)
np.prod(L) #连乘 因为python天然支持大数，所以不用担心爆掉，但是也别太狂。
np.mean(L) #求均值
np.median(L) #中位数
np.percentile(L,q=50) #百分位点 就是百分之50小于这个数，其实就是中位数
np.percentile(L,q=100) #其实就是求最大值
np.var(L) #方差
np.std(L #标准差

值得一提的是，上面所有函数也是 numpy.array的类函数，也就意味着。使用实例可以直接调用函数比如说

L.max()
L.min()
...

到底怎么用看习惯。

索引

其实有时候求出最大值，最小值没有什么用，我们更想知道他的索引是什么。

np.argmin(L)
np.argmax(L)

排序

如果是其他语言或者算法 排序要花很大的篇幅说。python不用

np.sort(L)
np.argsort(L)

还有一个神奇的
学过快速排序知道有一个“基准”的概念，numpy.array可以指定一个基准 只进行一趟排序。

np.partition(L,8)
np.argpartition(L,8)

充当索引

numpy.array不光可以求索引，还可以作为另外一个numpy.array的索引。

import numpy as np
x=np.arange(16)
x
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

ind=[3,5,8]
x[ind]
array([3, 5, 8])

甚至可以直接改变原数组的形状

x
array([ 3,  7,  4, 15,  0, 13,  6,  1, 10, 14,  9, 11,  2,  8, 12,  5])

ind=np.array([[0,2],[1,3]])
x[ind]

array([[ 3,  4],
       [ 7, 15]])

ind本身就是一个2维数组，x是一个一维的向量。x[ind]直接把相对应位置上的元素取出来，组成了一个新的数组形状跟ind长的一样。

numpy.array的关系运算

关系运算是个基础的运算，也是常用的运算。numpy.array提供类似C语言的运算符进行矩阵的与数字的比较。

x
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

x<3
array([ True,  True,  True, False, False, False, False, False, False,
       False, False, False, False, False, False, False], dtype=bool)

x>3
x==3

并且可以直接进行条件删选。
常用的

np.sum(x<=3) #满足条件的求和
np.count_nonzero(x<3) #满足条件记录不是0的个数
np.any(x<0) #any是否有一个，有一个就满足。
np.all(x>=0) #all所有的元素都要满足。
np.sum((x>3) & (x>10)) #并且
np.sum((x%2==0) | (x>10)) #或者，因为左右两边都是数组（bool类型的），所以这里用位运算。
np.sum(~(x==0))  #非