NumPy基础

创建ndarray数组：

import numpy as np 
np.array([2,3]) #创建一个2行3列的一维ndarray数组

常用属性

• T 数组的转置(对高维数组而言)
• dtype 数组元素的数据类型
• size 数组元素的个数
• ndim 数组的维数
• shape 数组的维度大小(以元组形式)

数据类型dtype:
bool_ , int(8, 16,32,64), uint(8, 16,32,64), float(16,32,64)
类型转换: astype()

创建ndarray:

• array() 将列表转换为数组，可选择显式指定dtype
• arange() range的numpy版，支持浮点数
• linspace() 类似arange()，第三个参数为数组长度
• beros() 根据指定形状和dtype创建全0数组
• ones() 根据指定形状和dtype创建全1数组
• empty() 根据指定形状和dtype创建空数组(随机值)
• eye() 根据指定边长和dtype创建单位矩阵

numpy索引和切片

数组和标量之间的运算

a+1	a*3	 1//a	 a ** 0.5

2.同样大小数组之间的运算

a+b		a/b		a**b

数组的索引

a[5]		a2[2][3]		a2[2,3]

数组的切片

a[5:8]		a[:3] = 1		a2[1:2, :4]		a2[:,:1]		a2[:,1]

与列表不同，数组切片时并不会自动复制，在切片数组上的修改 会影响原数组。
[解决方法: copy()]

原：b=a[:4] 	解决：b= a[:4].copy()
b[-1] = 250

numpy布尔型索引

问题1: 给一个数组，选出数组中所有大于5的数。
答案: a[a>5]
原理：

1. a> 5会对a中的每一一个元素进行判断，返回一个布尔数组
2. 布尔型索引:将同样大小的布尔数组传进索引，会返回一个由所有True对应位置的元素的数组

问题2: 给一个数组，选出数组中所有大于5的偶数。
问题3: 给一个数组，选出数组中所有大于5的数和偶数。
答案:

a[(a>5) & (a%2==0)]
a[(a>5) | (a%2==0)]

numpy花式索引*

问题1: 对于-一个数组，选出其第1，3，4，6，7个元素，组成新的二维数组。
答案: a[[1,3,4,6,7]]
问题2: 对一个二维数组，选出其第一列和第三列，组成新的二维数组。
答案: a[:,[1,3]]

numpy通用函数

【定义】通用函数:能同时对数组中所有元素进行运算的函数
常见通用函数:
一元函数（传1个数组）: abs, sqrt, exp, log, ceil（向上取整）, floor（向下取整）, rint/round(四舍五入), trunc（向零取整）,modf, isnan, isinf, cos, sin, tan
二元函数（传2个数组）: add（加）, substract（减）, multiply（乘）, divide（除）, power（乘方）, mod（取余）,maximum, mininum,

#一元：向上取整ceil,向下取整floor
import numpy as np
np.ceil(3.1) #结果：4.0
np.floor(3.9) #结果：3.0
#对应python内置math
import math
math.ceil(3.1) #结果4
math.floor(3.9) #结果3

numpy通用函数数组的用法

>>> import numpy as np
#==================【一元：向上取整ceil,向下取整floor】==============
#-----------------------【ceil函数】-------------------------------
>>> a=np.arange(0,5,0.2)
>>> a
array([0. , 0.2, 0.4, 0.6, 0.8, 1. , 1.2, 1.4, 1.6, 1.8, 2. , 2.2, 2.4,
       2.6, 2.8, 3. , 3.2, 3.4, 3.6, 3.8, 4. , 4.2, 4.4, 4.6, 4.8])
>>> np.ceil(a)
array([0., 1., 1., 1., 1., 1., 2., 2., 2., 2., 2., 3., 3., 3., 3., 3., 4.,
       4., 4., 4., 4., 5., 5., 5., 5.])
#----------------------【modf函数】----------------------------------
>>> a,b=np.modf(a)
>>> a
array([0. , 0.2, 0.4, 0.6, 0.8, 0. , 0.2, 0.4, 0.6, 0.8, 0. , 0.2, 0.4,
       0.6, 0.8, 0. , 0.2, 0.4, 0.6, 0.8, 0. , 0.2, 0.4, 0.6, 0.8])
>>> b
array([0., 0., 0., 0., 0., 1., 1., 1., 1., 1., 2., 2., 2., 2., 2., 3., 3.,
       3., 3., 3., 4., 4., 4., 4., 4.])
#--------------------【isnan和isinf】--------------------------
#首先看如下运算【isinf】：
>>> a=np.array([0,1,2,3,4,5])
>>> b=np.array([5,4,3,2,1,0])
>>> c=a/b  
>>> c
#因为被除数有个0，所以会有个警告
__main__:1: RuntimeWarning: divide by zero encountered in true_divide
#inf表示无限大（infinity）即5/0=inf，考虑微积分情形
array([0.        , 0.25      , 0.66666667, 1.5       , 4.        ,      inf]) 

#再看如下运算【isnan】：
>>> d=np.array([0,1,2])
>>> e=np.array([0,1,2])
>>> f=d/e
>>> f
#0/0不是数，所以出现警告，nan
__main__:1: RuntimeWarning: invalid value encountered in true_divide
array([nan,  1.,  1.])

#【isnan和isinf使用：判断是否含有非数（0/0），和无限大数(5/0)】
>>> f
array([nan,  1.,  1.])
>>> c
array([0.        , 0.25      , 0.66666667, 1.5       , 4.        ,       inf])
>>> np.isnan(f)
array([ True, False, False])
>>> np.isinf(c)
array([False, False, False, False, False,  True])

#【返回非数、无限大数】~表示非
>>> ~np.isinf(c)
array([ True,  True,  True,  True,  True, False])
>>> ~np.isnan(f)
array([False,  True,  True])

#-----------【maxinum/mininum】---------
>>> a=np.arange(0,9,1)
>>> b=np.arange(10,19,1)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> b
array([10, 11, 12, 13, 14, 15, 16, 17, 18])
>>> np.maximum(a,b)#两个数组对比取大的
array([10, 11, 12, 13, 14, 15, 16, 17, 18])

numpy常用函数

一、numpy数学和统计学方法：

1. sum：求和
2. cumsum：求累计和
3. mean：求平均数
4. std：求标准差
5. var：求方差
6. min：求最小值
7. max：求最大值
8. argmin：求最小值索引
9. argmax ：求最大值索引

二、随机数生成

1. rand：给定形状产生随机数组(0到1之间的数)
2. randint：给定形状产生随机整数
3. choice：给定形状产生随机选择
4. shuffle：与random. shuffle相同 (打乱列表原有顺序)
5. uniform：给定形状产生随机数组

随机数示例：

#==========python内置random==========
>>> import random
>>> a=np.arange(0,5,1)
>>> a
array([0, 1, 2, 3, 4])
>>> random.shuffle(a)
>>> a
array([3, 0, 1, 4, 2])

#==========【numpy random】==========
#【np.random.rand()】
>>> np.random.rand() #0-1间随机数
0.8012219581827386
>>> np.random.rand(10) #生成10个0-1间随机数
array([0.80526841, 0.77220095, 0.40605223, 0.75310937, 0.69884484,
       0.5413281 , 0.53127462, 0.7825014 , 0.61354559, 0.66085711])
#【np.random.randint】
>>> np.random.randint(1,10) #生成1个  1-10间随机整数组
2
>>> np.random.randint(1,10,5) #生成5个 1-10间随机整数组
array([2, 3, 5, 2, 5])
>>> np.random.randint(1,10,(2,3)) #生成2行3列 1-10间随机 多维 整数组
array([[2, 3, 7],
       [1, 9, 3]])