numpy(三）

数组转置：它返回的是源数据的视图（不会进行任何复制操作）

arr=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(arr)
print(arr.T)
print(np.transpose(arr))

[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[1 4 7]
 [2 5 8]
 [3 6 9]]
[[1 4 7]
 [2 5 8]
 [3 6 9]]

通用函数（即ufunc）是一种对ndarray中的数据执行元素级运算的函数。

arr=np.arange(4)
print(np.sqrt(arr))
print(np.exp(arr))

np.meshgrid函数接受两个一维数组，并产生两个二维矩阵（对应于两个数组中所有的(x,y)对）

points = np.arange(-2, 2, 0.01) 
xs, ys = np.meshgrid(points, points)
print(xs)
print(ys)

[[-2.   -1.99 -1.98 ...  1.97  1.98  1.99]
 [-2.   -1.99 -1.98 ...  1.97  1.98  1.99]
 [-2.   -1.99 -1.98 ...  1.97  1.98  1.99]
 ...
 [-2.   -1.99 -1.98 ...  1.97  1.98  1.99]
 [-2.   -1.99 -1.98 ...  1.97  1.98  1.99]
 [-2.   -1.99 -1.98 ...  1.97  1.98  1.99]]
[[-2.   -2.   -2.   ... -2.   -2.   -2.  ]
 [-1.99 -1.99 -1.99 ... -1.99 -1.99 -1.99]
 [-1.98 -1.98 -1.98 ... -1.98 -1.98 -1.98]
 ...
 [ 1.97  1.97  1.97 ...  1.97  1.97  1.97]
 [ 1.98  1.98  1.98 ...  1.98  1.98  1.98]
 [ 1.99  1.99  1.99 ...  1.99  1.99  1.99]]

numpy.where函数是三元表达式x if condition else y的矢量化版本

xarr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])
yarr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
cond = np.array([True, False, True, True, False])
result = np.where(cond, xarr, yarr)
print(result)

[1.1 2.2 1.3 1.4 2.5]

np.where的第二个和第三个参数不必是数组，它们都可以是标量值。

arr=np.random.randn(3,3)
print(arr>0)
print(np.where(arr>0,2,-2))#将arr中所有大于0的数都变成2，所有小于0的数都变成-2

[[-2  2 -2]
 [ 2  2  2]
 [ 2  2 -2]]

print(np.where(arr>0,2,arr))#将arr中所有大于0的数都变成2，其余数不变

[[-0.92704149 -0.44703394  2.        ]
 [-0.17617863 -0.64957544  2.        ]
 [-1.59439752  2.          2.        ]]
可以通过数组上的一组数学函数对整个数组或某个轴向的数据进行统计计算：

arr=np.random.randn(3,4)
print(arr.mean())
print(arr.sum())
print(np.sum(arr))

0.18050231260600794
2.1660277512720953
2.1660277512720953

mean和sum这类的函数可以接受一个axis选项参数，用于计算该轴向上的统计值，最终结果是一个少一维的数组：

print(arr.mean(axis=1))#计算行的平均值
print(arr.sum(axis=0))#计算每列的和

np.unique了，它用于找出数组中的唯一值并返回已排序的结果

ints = np.array([3, 3, 3, 2, 2, 1, 1, 4, 4])
print(np.unique(ints))

[1 2 3 4]

np.in1d用于测试一个数组中的值在另一个数组中的成员资格，返回一个布尔型数组

values = np.array([6, 0, 0, 3, 2, 5, 6])
print(np.in1d(values, [2, 3, 6]))

[ True False False  True  True False  True]

NumPy提供了一个用于矩阵乘法的dot函数

x = np.array([[1., 2., 3.], [4., 5., 6.]])
y = np.array([[6., 23.], [-1, 7], [8, 9]])
print(np.dot(x,y))#等价于x.dot(y)

[[ 28.  64.]
 [ 67. 181.]]

@符（类似Python 3.5）也可以用作中缀运算符，进行矩阵乘法：

print(x@y)

[[ 28.  64.]
 [ 67. 181.]]

numpy.linalg中有一组标准的矩阵分解运算以及诸如求逆和行列式之类的东西。