NumPy中最为基本的Array操作

>>> from numpy import *

创建一个矩阵

>>> a=array([[1,2,3],[4,5,6]])
>>> a.shape
(2, 3)

>>> b=arange(15);print b
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
>>> b.reshape(3,5)
array([[ 0,  1,  2,  3,  4],
[ 5,  6,  7,  8,  9],
[10, 11, 12, 13, 14]])

可以看到，A是2行3列的矩阵。通过arange方法，可以得到一个1维的数组。然后我们可以通过reshape方法改变它的维度。

>>> c=zeros((4,5));print c
[[ 0.  0.  0.  0.  0.]
[ 0.  0.  0.  0.  0.]
[ 0.  0.  0.  0.  0.]
[ 0.  0.  0.  0.  0.]]

>>> d=ones((5,7));print d
[[ 1.  1.  1.  1.  1.  1.  1.]
[ 1.  1.  1.  1.  1.  1.  1.]
[ 1.  1.  1.  1.  1.  1.  1.]
[ 1.  1.  1.  1.  1.  1.  1.]
[ 1.  1.  1.  1.  1.  1.  1.]]

>>> e=add(c,arange(20).reshape(4,5))
>>> f=dot(e,d);print f
[[ 10.  10.  10.  10.  10.  10.  10.]
[ 35.  35.  35.  35.  35.  35.  35.]
[ 60.  60.  60.  60.  60.  60.  60.]
[ 85.  85.  85.  85.  85.  85.  85.]]

使用zeros可以生成一个零矩阵。同理，用ones可以生成值全部为1的矩阵。我选择了一个4*5的矩阵e，和一个5*7的矩阵d做点乘。最后得到f矩阵。再举一个更加明显的例子：

>>> a=arange(5);print a
[0 1 2 3 4]
>>> b=arange(5).reshape(5,1);print b
[[0]
[1]
[2]
[3]
[4]]
>>> print dot(a,b)
[30]

点积的效果更加明显了。

 

ndarray的几个常用属性：

· shape： 代表一个array的形态，是一个向量还是一个矩阵，抑或是一个更复杂的向量组。

· ndim： 代表这个array的维度

· size： 在array中拥有的元素数量

· itemsize： 这个array中每一个元素所需要占的字节数

· nbytes： 这个array的总字节数（=itemsize*size）

· real： 代表一个array中所有元素的实数部分

· imag： 同理，代表一个array中所有元素的虚数部分

· flat： 将这个array整理成一维的，可以索引的一系列的元素组合。它实际上是通过iterator实现的，我们可以通过for x in array.flat来取得到所有的元素

· T： 矩阵转置，同transpose()方法

一些比较有用的方法：

· tolist()： 将array转化成一个Python中的list对象

· item(*args)： 取得某一位置的元素

· dump(file)： 将这个对象序列化至文件。同cPickle中的dump作用

· dumps()： 将序列化的结果通过字符串加以输出

一些关于Array的形态操作：

· reshape()： 改变array的形态

· resize()： 也是改变array的形态。不同的是，resize是直接修改这个对象的，而reshape则会生成一个新的对象

· transpose()： 这个就是矩阵的转置操作啦

· swapaxes()： 将n个维度中任意两个维度（坐标轴）进行调换

· flatten()： 复制一个一维的array出来

还有一些关于Array的运算操作：

· max()：取得所有元素中的最大值

· min()：取得最小值。还有一点值得说，就是max、min这些函数都可以针对某一坐标轴（具体维度）进行运算，例如array.max(axis=0)，就在0坐标上求最大值

· sum()：求和

· cumsum()：求累计和

· prod()：求所有元素之积

· cumprod()：求累计积

· all()：如果所有元素都为真，那么返回真；否则返回假

· any()：只要有一个元素为真则返回真

· mean()：求平均数