numpy学习之（一）

1、numpy.vectorize()

         class numpy.vectorize(pyfunc, otypes=None, doc=None, excluded=None, cache=False, signature=None)

定义了一个矢量函数，输入是嵌套化的对象序列或者是numpy数组，

         输出是单个或元组的numpy数组。跟 Python中的map()函数很类似。将函数pyfunc作用在序列化的对象上。

numpy.vectorize()只是为了方便，效率比较低。

        官方例子：

import numpy as np 
def myfunc(a, b):
    'Return a-b if a>b, otherwise return a+b'
    if a>b:
        return a-b
    else:
        return a+b

vfunc = np.vectorize(myfunc)

print(vfunc([1, 2, 3, 4], 2))
#[3 4 1 2]

        相当于 2 与列表中的1,2,3,4 依次 调用函数。即1,2; 2,2; 3,2; 4,2做vfunc计算。

2、np.digitize()函数

       umpy.digitize(x, bins, right = False)

       参数：

       x : numpy数组

       bins :一维单调数组，必须是升序或者降序

      right：间隔是否包含最右

      返回值：x在bins中的位置。

      用法示例：

import numpy as np
bins = np.array(range(-99, 102, 3))
a = np.digitize(-98,bins) #a=1
b = np.digitize(68,bins)  #b=56
print(a) 
print(b)

        bins值为-99到102（取不到102）的值( [-99, -96, -93, ... , 93, 96, 99] )。

        取值在[-∞ ,-96)区间内返回值为1,

       在[96,-93)区间内返回值为2,

       ...

      在[96,+∞ )区间返回值为66。

      所以a的值为1,b的值为56。

3、对numpy中array和asarray的区别详解

      array和asarray都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。

4、numpy.intersect1d

       numpy.intersect1d(ar1, ar2, assume_unique=False)

       求两个数组的交集.

       返回非重复的有序数组，数组成员同时在ar1, ar2中

       参数:

        ar1, ar2 : array_like

        assume_unique : bool值

        assume_unique 如果为真,输入的数组ar1和ar2的元素不重复 ,这样可以加速计算，assume_unique默认为假。

        比如：

        np.intersect1d([1, 3, 4, 3], [3, 1, 2, 1])

        array([1, 3])

        在多于两个序列时经常要结合reduce()函数一起使用（To intersect more than two arrays, use functools.reduce）:
     

np.intersect1d([1, 3, 4, 3], [3, 1, 2, 1])
#array([1, 3])

       在多于两个序列时经常要结合reduce()函数一起使用（To intersect more than two arrays, use functools.reduce）:

from functools import reduce
reduce(np.intersect1d, ([1, 3, 4, 3], [3, 1, 2, 1], [6, 3, 4, 2]))
#array([3])

5、reduce()函数

        python中的reduce内建函数是一个二元操作函数，他用来将一个数据集合（链表，元组等）中的所有数据进行下列操作：用传给reduce中的函数 func()（必须是一个二元操作函数）先对集合中的第1，2个数据进行操作，得到的结果再与第三个数据用func()函数运算，最后得到一个结果。

        如：

def myadd(x,y):  
    return x+y  
sum=reduce(myadd,(1,2,3,4,5,6,7))  
print(sum)

         #结果就是输出1+2+3+4+5+6+7的结果即28

         当然，也可以用lambda的方法，更为简单：

sum=reduce(lambda x,y:x+y,(1,2,3,4,5,6,7))  
print sum 

         在python 3.0.0.0以后, reduce已经不在built-in function里了, 要用它就得from functools import reduce.

6、numpy: np.logical_and/or/not (逻辑与/或/非)

np.logical_and (逻辑与)

np.logical_and(x1, x2, *args, **kwargs)

Test

>>> np.logical_and(True, False)
False
>>> np.logical_and([True, False], [False, False])
array([False, False], dtype=bool)

>>> x = np.arange(5)
>>> np.logical_and(x>1, x<4)
array([False, False,  True,  True, False], dtype=bool)

np.logical_or (逻辑或)

np.logical_or(x1, x2, *args, **kwargs)

Test

>>> np.logical_or(True, False)
True
>>> np.logical_or([True, False], [False, False])
array([ True, False], dtype=bool)

>>> x = np.arange(5)
>>> np.logical_or(x < 1, x > 3)
array([ True, False, False, False,  True], dtype=bool)

np.logical_not (逻辑非)

logical_not(x, *args, **kwargs)

Test

>>> np.logical_not(3)
False
>>> np.logical_not([True, False, 0, 1])
array([False,  True,  True, False], dtype=bool)

>>> x = np.arange(5)
>>> np.logical_not(x<3)
array([False, False, False,  True,  True], dtype=bool)