numpy学习

numpy的优势：运算迅速，支持多维数据

---

数组创建及常用函数

---

a = np.array([2,3,4])
b = np.array([2.0,3.0,4.0,5.0]).reshape((2,2)) #若reshape中某参数为-1，也即数组规模不变，根据其他参数自动计算
c = np.array([[1.0,2.0],[3.0,4.0]])
d = np.array([[1,2],[3,4]],dtype=complex) # 指定数据类型，int ，int32，int64，float32，float64

 

• 数组的常用函数

print np.arange(0,7,1,dtype=np.int16) # 0为起点，间隔为1时可缺省(引起歧义下不可缺省)
print np.ones((2,3,4),dtype=np.int16) # 2页，3行，4列，全1，指定数据类型
print np.zeros((2,3,4)) # 2页，3行，4列，全0
print np.empty((2,3)) #值取决于内存
print np.arange(0,10,2) # 起点为0，不超过10，步长为2
print np.linspace(-1,2,5) # 起点为-1，终点为2，取5个点
print np.random.randint(0,3,(2,3)) # 大于等于0，小于3，2行3列的随机整数

其他：np.clip 截断函数等

---

基本运算

---

• 元素级

a = np.array([1,2,3,4])
b = np.arange(4)
print a, b
print a-b 
print a*b #逐个元素对应  不是矩阵
print a**2 
print 2*np.sin(a)
print a>2
print np.exp(a) # 指数

   

[1 2 3 4] [0 1 2 3]
[1 1 1 1]
[ 0  2  6 12]
[ 1  4  9 16]
[ 1.68294197  1.81859485  0.28224002 -1.51360499]
[False False  True  True]
[  2.71828183   7.3890561   20.08553692  54.59815003]
 

• 矩阵运算（二维数组）

a = np.array([[1,2],[3,4]]) # 2行2列
b = np.arange(6).reshape((2,-1)) # 2行3列
print a,b
print a.dot(b) # 2行3列

输出：

[[1 2]
 [3 4]] [[0 1 2]
 [3 4 5]]
[[ 6  9 12]
 [12 19 26]]

• 非数组运算，调用方法

a = np.random.randint(0,5,(2,3))
print a
print a.sum(),a.sum(axis=1),a.sum(0) # axis用于指定运算轴（默认全部，可指定0或1）
print a.min(),a.max(axis=1),a.mean(axis=1) # axis = 0: 按列计算，axis = 1: 按行计算
print a.cumsum(1) # 按行计算累积和

输出：

[[2 3 3]
 [0 2 1]]
11 [8 3] [2 5 4]
0 [3 2] [ 2.66666667  1.        ]
[[2 5 8]
 [0 2 3]]
 

---

索引

---

A[1,2]

A[1][2]

A[1,:]

A[1,1:2] #只有A[1][1]处的值

数组以row为默认索引 故 for row in A 按行输出

若以列为迭代可以将A转置 for column in A.T

若想要输出每一个项目（元素），则可以使用flat重构A

A.flatten() 返回一个一行的序列

for item in A.flat: 中 flat则返回一个迭代器

---

合并

---

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

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

np.vstack(a,b)  #上下合并，合并为一个数组[[1 1 1],

                                                                             [2 2 2]]

np.hstack(a,b)  #左右合并，合并为一个序列[1 1 1 2 2 2]

一维数组（序列）[1 1 1] 不能通过T转置为[[1][1][1]]，shape是(3,) 所以需要增加一列

故 A[:,np.newaxis].shape()为（3,1），就可以转置得到

concatenate函数其实可以把前面几个函数代替。

---

数组分割

---

等分：np.split()  不等分：np.array_split()

np.vsplit() 上下分割

np.hsplit() 左右分割

---

复制的关联性

---

= 的赋值方式会带有关联性 

b =a b is a #TRUE

更改任何一个都是互相关联变化的

copy() 的赋值方式没有关联性

b=a.copy 

改变任何一方不影响另一方