3.numpy的属性

三、numpy的属性

1.array的创建

import numpy as np
array = np.array([[2, 23, 4],
              [2, 32, 4]]

2.array的形状、数量、维度数

print('number of dim', array.ndim)    #number of dim 2
print('number of shape', array.shape) #number of shape (2, 3)
print('size', array.size)             #size 6

四、numpy的创建

1.numpy是什么型 (int32,int64,float等等）

a = np.array([2,23,4],dtype=np.int)   #int32
a = np.array([2,23,4],dtype=np.int64) #int64

2.定义numpy的矩阵

b = np.array([[2,23,4],
            [2,32,4]]) #[[ 2 23  4]
                       # [ 2 32  4]]
                       
c = np.zeros((3,4))    # [[0. 0. 0. 0.]
     # ones            #  [0. 0. 0. 0.]
     # empty（接近零）  #  [0. 0. 0. 0.]] 

e = np.arange(10,20,2)   #[10 12 14 16 18]（有头无尾）

f = np.arange(12).reshape((3,4))
 #[[ 0  1  2  3]
 # [ 4  5  6  7]
 # [ 8  9 10 11]]（有头无尾）
 
g = np.linspace(1,10,20)
#[ 1.          1.47368421  1.94736842  2.42105263  2.89473684  3.36842105
#  3.84210526  4.31578947  4.78947368  5.26315789  5.73684211  6.21052632
#  6.68421053  7.15789474  7.63157895  8.10526316  8.57894737  9.05263158
#  9.52631579 10.        ]

h = np.linspace(1,10,6).reshape((2,3)) 
#[[ 1.   2.8  4.6]
# [ 6.4  8.2 10. ]]                                          

五、 numpy的运算

1.加减乘除平方sin

a =np.array([10,20,30,40])
b = np.arange(4)
print (a,b) # [10 20 30 40] [0 1 2 3]

c = a-b
print(c) # [10 19 28 37]

d = b**2 
print(d) #[0 1 4 9]

e = 10*np.sin(a)
print(e)  #[-5.44021111  9.12945251 -9.88031624  7.4511316 ]

f = np.arange(4)
print(f<3) #[ True  True  True False]
print(f==3) #[False False False  True]

g =np.array([[1,1],
            [0,1]])
h =np.arange(4).reshape((2,2))
print(g,h)
#[[1 1]
# [0 1]] [[0 1]
# [2 3]]

i =g*h #点乘
#[[2 4]
# [2 3]]

i_dot = np.dot(g,h) #叉乘
#[[0 1]
# [0 3]]

j = np.random.random((2,4))
#[[0.80611351 0.64377618 0.45498117 0.45544791]
# [0.55785206 0.02234942 0.0204626  0.7681106 ]]

print(np.sum(j,axis = 1)) #使用1值表示沿着每一行或者列标签模向执行对应的方法
#[1.4145513  2.03974314]

print(np.min(j,axis = 0)) #使用0值表示沿着每一列或行标签\索引值向下执行方法
# [0.22468377 0.77770998 0.15556007 0.22027182]

六、numpy的运算（下）

a = np.arange(2,14).reshape((3,4)) 
#[[ 2  3  4  5]
# [ 6  7  8  9]
# [10 11 12 13]]

print(np.argmin(a)) #找出最小值的索引
# 0

print(np.mean(a)) #print(np.average(a))平均值
# 7.5

print(np.median(a)) #中位数
#7.5

print(np.cumsum(a)) #累加
#[ 2  5  9 14 20 27 35 44 54 65 77 90]

print(np.diff(a)) #累差
#[[1 1 1]
# [1 1 1]
# [1 1 1]]

print(np.nonzero(a)) #前一个是非0输出值的行数，后一个是非0输出行的列数
#(array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))

print(np.sort(a)) #排序从小到大
#[[ 2  3  4  5]
# [ 6  7  8  9]
# [10 11 12 13]]

print(np.transpose(a)) #转置
print(a.T)
#[[ 2  6 10]
# [ 3  7 11]
# [ 4  8 12]
# [ 5  9 13]]

print((a.T).dot(a)) #差乘
#[[140 158 176 194]
# [158 179 200 221]
# [176 200 224 248]
# [194 221 248 275]]

print(np.clip(a,5,9)) #5是最小值，9是最大值，所有小于5的数都让它等于5，所有大于9的数都让它等于9。
#[[5 5 5 5]
# [6 7 8 9]
# [9 9 9 9]]

print(np.mean(a,axis=0)) #沿着每一列的平均值
#[6. 7. 8. 9.]

七、numpy的索引

a=np.arange(3,15) #[ 3  4  5  6  7  8  9 10 11 12 13 14]

print(a[3]) #6

a = np.arange(3,15).reshape((3,4))
#[[ 3  4  5  6]
# [ 7  8  9 10]
# [11 12 13 14]]
print(a[2]) #第三行
#[11 12 13 14]
print(a[1][1]) #8
print(a[1，1])
print(a[2,:]) # ：代表所有
#[11 12 13 14]

print(a[1,1:3])#顾头不顾尾
#[8 9]

for row in a:
    print(row)
    #[3 4 5 6]
    #[ 7  8  9 10]
    #[11 12 13 14]

for column in a.T: #对于每一列按照列的顺序进行打印
    print(column)
#[ 3  7 11]
#[ 4  8 12]
#[ 5  9 13]
#[ 6 10 14]

print(a.flatten())
#[ 3  4  5  6  7  8  9 10 11 12 13 14]

for item in a.flat:
    print(item)
3
4
5
6
7
8
9
10
11
12
13
14

八、numpy的array的合并

a = np.array([1, 1, 1])
b = np.array([2, 2, 2])

print(np.vstack((a,b)))  #vertical stack 竖的 c
#[[1 1 1]
# [2 2 2]]


print(a.shape, c.shape)
#(3,) (2, 3) 三列，两行三列

d = np.hstack((a, b)) #横着
#[1 1 1 2 2 2]

print(a.shape, d.shape)
#(3,) (6,)

print(a[np.newaxis, :].shape) #行上加了一个维度
#(1, 3)

print(a[:, np.newaxis].shape)
#(3, 1)

print(a[:, np.newaxis])
#[[1]
# [1]
# [1]]

print(a[ np.newaxis])
#[[1 1 1]]

d = np.concatenate((a, b, b, a))
# [1 1 1 2 2 2 2 2 2 1 1 ]

九、numpy的array的分割

a = np.arange(12).reshape((3, 4))
print（a）
#[[ 0  1  2  3]
# [ 4  5  6  7]
# [ 8  9 10 11]]
print(np.split(a, 2, axis=1)) #分成两部分，两等列，三列不能整除，不可以
#[array([[0, 1],
#       [4, 5],
#       [8, 9]]), array([[ 2,  3],
#       [ 6,  7],
#       [10, 11]])]

print(np.array_split(a, 3, axis=1)) #分成三份不等列
[array([[0, 1],
       [4, 5],
       [8, 9]]), array([[ 2],
       [ 6],
       [10]]), array([[ 3],
       [ 7],
       [11]])]

print(np.vsplit(a,3)) #横向分成三块
#[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
print(np.hsplit) #横向纵向分成两块
#[array([[0, 1],
#       [4, 5],
#       [8, 9]]), array([[ 2,  3],
#       [ 6,  7],
#       [10, 11]])]

Process finished with exit code 0


Process finished with exit code 0

十、numpy_copy&deep copy

浅拷贝

#[11  1  2  3]
d[1:3] = [22,33]
print(d) 
#[11 22 33  3]
b = a.copy() #deep copy
print(a) #[11 22 33  3]
print(b) #[11 22 33  3]
a[3] = 44
print(a) #[11 22 33 44]
print(b) #[11 22 33  3]

print(np.eye(5))
#[[1. 0. 0. 0. 0.]
# [0. 1. 0. 0. 0.]
# [0. 0. 1. 0. 0.]
# [0. 0. 0. 1. 0.]
# [0. 0. 0. 0. 1.]]

data =np.arange(100, step=10)
[ 0 10 20 30 40 50 60 70 80 90]


print(data[2])
20

print(data[2:5])
[20 30 40]

print(data[:3])
[ 0 10 20]

print(data[5:])
[50 60 70 80 90]

data[5:-1]
print(data)
[ 0 10 20 30 40 50 60 70 80 90]

data = np.arange(16).reshape(4,4)
print(data)
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]

print(data[1])
[4 5 6 7]

print(data[1:3])
[[ 4  5  6  7]
 [ 8  9 10 11]]

print(data[:, 2:4])
[[ 2  3]
 [ 6  7]
 [10 11]
 [14 15]]

print(data[[1,3],[2,3]])
[ 6 15]

print(data[1,2],data[3,3])
6 15

print(data>10)
[[False False False False]
 [False False False False]
 [False False False  True]
 [ True  True  True  True]]

x=np.arange(1,5).reshape(2,2,)
y = np.arange(5,9).reshape(2,2)
print(x/y)
[[0.2        0.33333333]
 [0.42857143 0.5       ]]