【Data Mining】机器学习三剑客之Numpy常用用法总结

点击“小詹学Python”，选择“置顶”公众号

重磅干货，第一时间送达

本文转载自AI蜗牛车，禁二次转载

一、前言

玩数据分析、数据挖掘、AI的都知道这个python库用的是很多的，里面包含各种操作，在实际的dataset的处理当中是非常常用的，这里我做一个总结，方便自己看，也方便大家看，我准备做一个非常细致的分类，每个分类有对应的numpy常用用法，以后见到或者用到再一个个慢慢加进来，如果我还用csdn我就会移植update下去。

二、下载、安装、导入

用anaconda安装是十分方便的，如果你已经安装了tf,keras之类的，其实已经直接把numpy安装了，一般来说安装就是pip命令。

1pip install numpy #py22pip3 install numpy #py3#py2
2pip3 install numpy #py3

用法则是

1import numpy as np　# 一般as为np来操作import numpy as np　# 一般as为np来操作

三、常用用法总结

１．array基本信息以及生成各种常见array基本操作　

生成array，得到对应的基本信息

 1import numpy as np 2 3array = np.array([[1, 2, 3], 4                  [2, 3, 4]]) 5 6print array  #numpy生成的array 7print array.dtype　# 每个元素的类型 8print "number of dim", array.ndim　# array的维度 9print 'shape:', array.shape　#形状，　两行三列。10print 'size:', array.size #array的大小＝array中所有元素的个数11"""12        [[1 2 3]13         [2 3 4]]14        int6415        number of dim 216        shape: (2, 3)17        size: 618"""import numpy as np
 2
 3array = np.array([[1, 2, 3],
 4                  [2, 3, 4]])
 5
 6print array  #numpy生成的array
 7print array.dtype　# 每个元素的类型
 8print "number of dim", array.ndim　# array的维度
 9print 'shape:', array.shape　#形状，　两行三列。
10print 'size:', array.size #array的大小＝array中所有元素的个数
11"""
12        [[1 2 3]
13         [2 3 4]]
14        int64
15        number of dim 2
16        shape: (2, 3)
17        size: 6
18"""

array的生成就是np.array(list)，本质上是把定义的list转换成array，因为array可以进行更加方便地计算和操作，比如矩阵的转置和相乘。

array的dtype设置

 1import numpy as np 2 3a = np.array([2, 23, 4], dtype=np.float32) 4print "a's dtype", a.dtype 5aa = np.array([2, 23, 4], dtype=np.int) 6print "aa's dtype", aa.dtype 7aaa = np.array([2, 23, 4]) 8print "aaa's dtype", aaa.dtype 9aaaa = np.array([2.2, 23.2, 4.2])10print "aaaa's dtype", aaaa.dtype11aaaaa = np.array([2, 23, 4], dtype=np.int64)12print "aaaaa's dtype:", aaaaa.dtype1314"""15        a's dtype float3216        aa's dtype int6417        aaa's dtype int6418        aaaa's dtype float6419        aaaaa's dtype: int6420"""import numpy as np
 2
 3a = np.array([2, 23, 4], dtype=np.float32)
 4print "a's dtype", a.dtype
 5aa = np.array([2, 23, 4], dtype=np.int)
 6print "aa's dtype", aa.dtype
 7aaa = np.array([2, 23, 4])
 8print "aaa's dtype", aaa.dtype
 9aaaa = np.array([2.2, 23.2, 4.2])
10print "aaaa's dtype", aaaa.dtype
11aaaaa = np.array([2, 23, 4], dtype=np.int64)
12print "aaaaa's dtype:", aaaaa.dtype
13
14"""
15        a's dtype float32
16        aa's dtype int64
17        aaa's dtype int64
18        aaaa's dtype float64
19        aaaaa's dtype: int64
20"""

由可以得到一个结论就是如果定义的array里面的list的元素本身为整数的话，不设置type，则默认为int64,如果设置为int类型而没有设置字节大小则还是默认为int64,如果元素本身为小数，则默认为float64。
所以如果用int64，则如果元素都为整数则不需要设置默认即可，设置其他类型需要设置，float类似。

生成常见array格式

 1a1 = np.zeros((2, 3), dtype=np.int) # 生成shape=(2, 3)的全为0的array 2 3print a1 4""" 5        [[0 0 0] 6         [0 0 0]] 7""" 8 9a2 = np.ones((3, 4), dtype=np.int16) # 生成shape=(3, 4)的全为1的array1011print a212"""13        [[1 1 1 1]14         [1 1 1 1]15         [1 1 1 1]]16"""2, 3), dtype=np.int) # 生成shape=(2, 3)的全为0的array
 2
 3print a1
 4"""
 5        [[0 0 0]
 6         [0 0 0]]
 7"""
 8
 9a2 = np.ones((3, 4), dtype=np.int16) # 生成shape=(3, 4)的全为1的array
10
11print a2
12"""
13        [[1 1 1 1]
14         [1 1 1 1]
15         [1 1 1 1]]
16"""

这里注意shape=(a,b)，在填入shape的参数的时候一定要加括号，以下雷同。

 1a3 = np.empty((3, 4)) #  生成shape=(3, 4)的全为接近空的array 2print a3 3""" 4     [[6.92259773e-310 4.67497449e-310 6.92259751e-310 6.92259750e-310] 5     [2.37151510e-322 3.16202013e-322 0.00000000e+000 6.92257087e-310] 6     [6.92259748e-310 6.92257087e-310 6.92257063e-310 6.92257063e-310]] 7""" 8a4 = np.arange(10, 20, 2)　　# 生成array　10到20　每隔2的一增加，for循环中主要使用 9print a410"""11    [10 12 14 16 18]12"""1314a5 = np.arange(12)   # 生成array　０到12-1=11　每一个增加，for循环中非常常用15print a516"""17    [ 0  1  2  3  4  5  6  7  8  9 10 11]18"""1920a6 = np.arange(12).reshape((3,4))  # 这里主要展示reshape的功能，能够重新定义矩阵的形状21print a622"""23        [[ 0  1  2  3]24         [ 4  5  6  7]25         [ 8  9 10 11]]26"""27   # 1和10之间４个元素越过，这个主要应用在插值运算或者matplotlib画光滑曲线的时候计算用到。28a7 = np.linspace(1, 10, 4).reshape((2, 2))　2930print a731"""32        [[ 1.  4.]33         [ 7. 10.]]3435"""3, 4)) #  生成shape=(3, 4)的全为接近空的array
 2print a3
 3"""
 4     [[6.92259773e-310 4.67497449e-310 6.92259751e-310 6.92259750e-310]
 5     [2.37151510e-322 3.16202013e-322 0.00000000e+000 6.92257087e-310]
 6     [6.92259748e-310 6.92257087e-310 6.92257063e-310 6.92257063e-310]]
 7"""
 8a4 = np.arange(10, 20, 2)　　# 生成array　10到20　每隔2的一增加，for循环中主要使用
 9print a4
10"""
11    [10 12 14 16 18]
12"""
13
14a5 = np.arange(12)   # 生成array　０到12-1=11　每一个增加，for循环中非常常用
15print a5
16"""
17    [ 0  1  2  3  4  5  6  7  8  9 10 11]
18"""
19
20a6 = np.arange(12).reshape((3,4))  # 这里主要展示reshape的功能，能够重新定义矩阵的形状
21print a6
22"""
23        [[ 0  1  2  3]
24         [ 4  5  6  7]
25         [ 8  9 10 11]]
26"""
27   # 1和10之间４个元素越过，这个主要应用在插值运算或者matplotlib画光滑曲线的时候计算用到。
28a7 = np.linspace(1, 10, 4).reshape((2, 2))　
29
30print a7
31"""
32        [[ 1.  4.]
33         [ 7. 10.]]
34
35"""

２．array之间的计算

加减法

相同维度:

 1import numpy as np 2 3a = np.array([10, 20, 30, 40]) 4b = np.arange(4) 5print "a:", a 6print "b:", b 7c = a+b 8print "c:", c 9c1 = a-b10print "c1:", c111"""12        a: [10 20 30 40]13        b: [0 1 2 3]14        c: [10 21 32 43]15        c1: [10 19 28 37]16"""import numpy as np
 2
 3a = np.array([10, 20, 30, 40])
 4b = np.arange(4)
 5print "a:", a
 6print "b:", b
 7c = a+b
 8print "c:", c
 9c1 = a-b
10print "c1:", c1
11"""
12        a: [10 20 30 40]
13        b: [0 1 2 3]
14        c: [10 21 32 43]
15        c1: [10 19 28 37]
16"""

不同维度:

 1aa = np.array([[1, 2, 3, 4], 2               [11, 22, 33, 44]]) 3 4bb = np.arange(4) 5 6print "aa:", aa 7print "bb:", bb 8print "a+b:", aa+bb 910"""11        aa:   [[ 1  2  3  4]12               [11 22 33 44]]13        bb:    [0 1 2 3]14        a+b:   [[ 1  3  5  7]15                [11 23 35 47]]16"""1, 2, 3, 4],
 2               [11, 22, 33, 44]])
 3
 4bb = np.arange(4)
 5
 6print "aa:", aa
 7print "bb:", bb
 8print "a+b:", aa+bb
 9
10"""
11        aa:   [[ 1  2  3  4]
12               [11 22 33 44]]
13        bb:    [0 1 2 3]
14        a+b:   [[ 1  3  5  7]
15                [11 23 35 47]]
16"""

如果是不同维度的array进行加减法的话，程序就是把维度低的array自动复制扩展到大维度的array,进行相加 当然前提条件是两个不同维度的array进行相加的时候，低维度的array的shape也要和高维度的array其中一个shape相同，例如上面代码所示，(2,4) (1,4) 都有个shape为４

乘除法

 1d = np.array([[1, 2], 2             [3, 4]]) 3e = np.arange(1, 8, 2).reshape((2, 2)) 4print "d:", d 5print "e:", e 6 7print "d*e:", d*e #对应元素相乘 8print "d/e", d/e #对应元素相除，因为是int64类型所以类似于2/3=0 9"""10        d: [[1 2]11         [3 4]]12        e: [[1 3]13         [5 7]]14        d*e: [[ 1  6]15         [15 28]]16        d/e [[1 0]17         [0 0]]18"""1, 2],
 2             [3, 4]])
 3e = np.arange(1, 8, 2).reshape((2, 2))
 4print "d:", d
 5print "e:", e
 6
 7print "d*e:", d*e #对应元素相乘
 8print "d/e", d/e #对应元素相除，因为是int64类型所以类似于2/3=0
 9"""
10        d: [[1 2]
11         [3 4]]
12        e: [[1 3]
13         [5 7]]
14        d*e: [[ 1  6]
15         [15 28]]
16        d/e [[1 0]
17         [0 0]]
18"""

不同纬度的乘除法和上面加减法解析情况一样，可对比来看。

平方，三角函数，比较元素大小

 1a = np.array([10, 20, 30, 40]) 2b = np.arange(4) 3c2 = b**2  # 平方 4print "c2:", c2 5 6c3 = 10*np.sin(a)  #　sin函数 7print "c3:", c3 8""" 9c2: [0 1 4 9]10c3: [-5.44021111  9.12945251 -9.88031624  7.4511316 ]11"""12print "b:", b13print "b:", b < 3 #　b中小于３的都为TRUE14print "b:", b == 3 # b中等于３的为TRUE15"""16b: [0 1 2 3]17b: [ True  True  True False]18b: [False False False  True]1920"""10, 20, 30, 40])
 2b = np.arange(4)
 3c2 = b**2  # 平方
 4print "c2:", c2
 5
 6c3 = 10*np.sin(a)  #　sin函数
 7print "c3:", c3
 8"""
 9c2: [0 1 4 9]
10c3: [-5.44021111  9.12945251 -9.88031624  7.4511316 ]
11"""
12print "b:", b
13print "b:", b < 3 #　b中小于３的都为TRUE
14print "b:", b == 3 # b中等于３的为TRUE
15"""
16b: [0 1 2 3]
17b: [ True  True  True False]
18b: [False False False  True]
19
20"""

矩阵相乘

 1d = np.array([[1, 2], 2             [3, 4]]) 3e = np.arange(1, 8, 2).reshape((2, 2)) 4print "d:", d 5print "e:", e 6print np.dot(d, e) 7print d.dot(e) 8""" 9        d: [[1 2]10         [3 4]]11        e: [[1 3]12         [5 7]]13        [[11 17]     #例如１１　为1*1+2*5=1114         [23 37]]15        [[11 17]16         [23 37]]1718"""1, 2],
 2             [3, 4]])
 3e = np.arange(1, 8, 2).reshape((2, 2))
 4print "d:", d
 5print "e:", e
 6print np.dot(d, e)
 7print d.dot(e)
 8"""
 9        d: [[1 2]
10         [3 4]]
11        e: [[1 3]
12         [5 7]]
13        [[11 17]     #例如１１　为1*1+2*5=11
14         [23 37]]
15        [[11 17]
16         [23 37]]
17
18"""

np.dot(d, e) 与d.dot(e)一样，都为d和e进行矩阵相乘

随机数和max,min,sum

 1f = np.random.random((2, 4)) #随机产生shape为（２，４）的一个array，每个元素都为0-1之间随机生成 2print f 3print "=------=" 4print np.sum(f) 5print np.min(f) 6print np.max(f) 7""" 8[[0.11027523 0.84841991 0.59866992 0.92557867] 9 [0.99917522 0.2771565  0.25578198 0.06671013]]10=------=114.081767552987877120.06671012832269874130.999175215388682714"""15print "============="16print np.sum(f, axis=0)17print np.min(f, axis=1)18print np.max(f, axis=0)19"""20[1.10945044 1.12557641 0.8544519  0.9922888 ]21[0.11027523 0.06671013]22[0.99917522 0.84841991 0.59866992 0.92557867]23"""2, 4)) #随机产生shape为（２，４）的一个array，每个元素都为0-1之间随机生成
 2print f
 3print "=------="
 4print np.sum(f)
 5print np.min(f)
 6print np.max(f)
 7"""
 8[[0.11027523 0.84841991 0.59866992 0.92557867]
 9 [0.99917522 0.2771565  0.25578198 0.06671013]]
10=------=
114.081767552987877
120.06671012832269874
130.9991752153886827
14"""
15print "============="
16print np.sum(f, axis=0)
17print np.min(f, axis=1)
18print np.max(f, axis=0)
19"""
20[1.10945044 1.12557641 0.8544519  0.9922888 ]
21[0.11027523 0.06671013]
22[0.99917522 0.84841991 0.59866992 0.92557867]
23"""

顾名思义，sum为总，min为最小，max为最大，如果不设置axis维度参数的话，则都为整个array的元素来说，但一般我们运用都只是算某个维度的sum,max,min，在二维数据中，axis=0代表行，第一个维度，axis=1，代表列为第二个维度，其实这么记并不是很好很有可能记错，我一般都是这么记得：axis=0为行，那意思就是每一行都要算呗？算完那不就是一列的每一行算个数被，axis=1类推，多维数据类推即可

矩阵转置和排序，以及元素比较大小重置元素方法

 1c = np.arange(14, 2, -1).reshape((3, 4)) 2 3print c 4print "sort:", np.sort(c)# 每一行进行重新大小排序当然也有axis参数配置，根据我的axis参数说明来操作 5 6print np.transpose(c) #转置　同下面操作 7print c.T #　转置　同上面操作 8 9print "clip:",np.clip(c, 5, 9)#c矩阵中的元素小于５的等于５，大于９的等于９10"""11            [[14 13 12 11]12             [10  9  8  7]13             [ 6  5  4  3]]14            sort: [[11 12 13 14]15             [ 7  8  9 10]16             [ 3  4  5  6]]17            [[14 10  6]18             [13  9  5]19             [12  8  4]20             [11  7  3]]21            [[14 10  6]22             [13  9  5]23             [12  8  4]24             [11  7  3]]25            clip: [[9 9 9 9]26             [9 9 8 7]27             [6 5 5 5]]28"""14, 2, -1).reshape((3, 4))
 2
 3print c
 4print "sort:", np.sort(c)# 每一行进行重新大小排序当然也有axis参数配置，根据我的axis参数说明来操作
 5
 6print np.transpose(c) #转置　同下面操作
 7print c.T #　转置　同上面操作
 8
 9print "clip:",np.clip(c, 5, 9)#c矩阵中的元素小于５的等于５，大于９的等于９
10"""
11            [[14 13 12 11]
12             [10  9  8  7]
13             [ 6  5  4  3]]
14            sort: [[11 12 13 14]
15             [ 7  8  9 10]
16             [ 3  4  5  6]]
17            [[14 10  6]
18             [13  9  5]
19             [12  8  4]
20             [11  7  3]]
21            [[14 10  6]
22             [13  9  5]
23             [12  8  4]
24             [11  7  3]]
25            clip: [[9 9 9 9]
26             [9 9 8 7]
27             [6 5 5 5]]
28"""

平均值、中值，累加，后减前

 1a = np.arange(2, 14).reshape((3, 4)) 2print "a:", a 3print "average:", np.average(a) #平均值 4print "median:", np.median(a) #中值 5 6print "cumsum:", np.cumsum(a) #每个元素变成当前元素＋前面所有元素的和 7print "diff:", np.diff(a)　#当前元素减去前面元素的差 8""" 9        a: [[ 2  3  4  5]10         [ 6  7  8  9]11         [10 11 12 13]]12        average: 7.513        median: 7.514        cumsum: [ 2  5  9 14 20 27 35 44 54 65 77 90]15        diff: [[1 1 1]16         [1 1 1]17         [1 1 1]]18"""2, 14).reshape((3, 4))
 2print "a:", a
 3print "average:", np.average(a) #平均值
 4print "median:", np.median(a) #中值
 5
 6print "cumsum:", np.cumsum(a) #每个元素变成当前元素＋前面所有元素的和
 7print "diff:", np.diff(a)　#当前元素减去前面元素的差
 8"""
 9        a: [[ 2  3  4  5]
10         [ 6  7  8  9]
11         [10 11 12 13]]
12        average: 7.5
13        median: 7.5
14        cumsum: [ 2  5  9 14 20 27 35 44 54 65 77 90]
15        diff: [[1 1 1]
16         [1 1 1]
17         [1 1 1]]
18"""

３．索引

最大值最小值索引，非零索引

 1a = np.array([[2, 6, 0, 4], 2             [4, 8, 9, 1], 3             [10, 2, 3, 11]]) 4print "argmin:", np.argmin(a) 5print "axis0:", np.argmin(a, axis=0) 6print "axis1:", np.argmin(a, axis=1) 7print "argmax:", np.argmax(a) 8print "zero:", np.nonzero(a) 910"""11argmin: 212axis0: [0 2 0 1]13axis1: [2 3 1]14argmax: 1115zero: (array([0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2]), array([0, 1, 3, 0, 1, 2, 3, 0, 1, 2, 3]))16"""2, 6, 0, 4],
 2             [4, 8, 9, 1],
 3             [10, 2, 3, 11]])
 4print "argmin:", np.argmin(a)
 5print "axis0:", np.argmin(a, axis=0)
 6print "axis1:", np.argmin(a, axis=1)
 7print "argmax:", np.argmax(a)
 8print "zero:", np.nonzero(a)
 9
10"""
11argmin: 2
12axis0: [0 2 0 1]
13axis1: [2 3 1]
14argmax: 11
15zero: (array([0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2]), array([0, 1, 3, 0, 1, 2, 3, 0, 1, 2, 3]))
16"""

argmin/argmax都是返回最小值/最大值的索引的函数。
这里的axis和上面的分析是完全一致的，例如argmin(a)就是最小的索引，虽小的毋庸置疑是０，所以总体来讲从第一行第一个元素到最后一行最后一个元素，总体来算索引，那就是第二个为０，所以返回２，如果axis=0说明一列中的每一行来比较，那第一列比较出来最小的为２，即索引为０，因为每一列的每一行来比较所以最后的维度为列数，在这里即为４，以此列推。
 非零索引的意思为非零的数返回索引，如上例为返回两个array，前面array对应行索引，后面对应列索引，一前一后加一起的shape才对应一个非零索引

取值，取列或行

 1import numpy as np 2 3a = np.arange(3, 15).reshape((3, 4)) 4 5print a 6print a[1]　#索引为1的行，同下 7print a[:][1]　#索引为1的行，同上 8print "=========-------===========" 9print a[2][1] #和数组一样的表示 10print a[2, 1]　#同上，这才是比较标准的array的索引表示，前面是行后面是列的索引11print "=========---------============"12print a[:, 1] 　　#索引为１的列,生成为行向量13print a[:, 1:2]　　#索引为１的列，生成为列向量14print a[:, 1:3]　　1516print a[1, 1:3] #为上面a[:, 1:3]的索引为１的行向量17"""18            [[ 3  4  5  6]19             [ 7  8  9 10]20             [11 12 13 14]]21            [ 7  8  9 10]22            [ 7  8  9 10]23            =========-------===========24            1225            1226            =========---------============27            [ 4  8 12]28            [[ 4]29             [ 8]30             [12]]31            [[ 4  5]32             [ 8  9]33             [12 13]]34            [8 9]35"""import numpy as np
 2
 3a = np.arange(3, 15).reshape((3, 4))
 4
 5print a
 6print a[1]　#索引为1的行，同下
 7print a[:][1]　#索引为1的行，同上
 8print "=========-------==========="
 9print a[2][1] #和数组一样的表示 
10print a[2, 1]　#同上，这才是比较标准的array的索引表示，前面是行后面是列的索引
11print "=========---------============"
12print a[:, 1] 　　#索引为１的列,生成为行向量
13print a[:, 1:2]　　#索引为１的列，生成为列向量
14print a[:, 1:3]　　
15
16print a[1, 1:3] #为上面a[:, 1:3]的索引为１的行向量
17"""
18            [[ 3  4  5  6]
19             [ 7  8  9 10]
20             [11 12 13 14]]
21            [ 7  8  9 10]
22            [ 7  8  9 10]
23            =========-------===========
24            12
25            12
26            =========---------============
27            [ 4  8 12]
28            [[ 4]
29             [ 8]
30             [12]]
31            [[ 4  5]
32             [ 8  9]
33             [12 13]]
34            [8 9]
35"""

着重讲一下　a[:, 1:2]　a[:, 1:3]　a[1, 1:3]

a[:, 1:2]：:代表行所有也就是一列要的话，这一列的每一行都要，1:2对应的从索引为１的列来算移植相当于取到索引为（2-1）的列，2为取的最高索引大一个。所以总体来讲就是首先取每一行，之后在行里取索引１->１的列元素，所以为最终的结果列向量。

a[:, 1:3]：按照上面的分析则每一行都要，列要索引为1和(3-1)的元素，那就是索引为1和2的所有元素，也就是第二列和第三列的元素。

a[1, 1:3]：为a[:, 1:3]的索引为１的所有元素。
这里需要注意的是

a[:, 1] 　#索引为１的列,生成为行向量，

a[:, 1:2]　#索引为１的列，生成为列向量

因为两种取值的思想不一样，最终造成的结果也不一样，一个是直接取，所以维度减少了一个，另一个是在原本维度上截取，最终还是原来的维度。

迭代元素和降维

 1a = np.arange(3, 15).reshape((3, 4))# 数据都是下取上差一个取到。 2print a 3print "row" 4for row in a:　#取每一行迭代 5    print row 6print "column" 7for column in a.T:　#每一列迭代 8    print column 9print "====================="10print a.flatten() # 所有元素变成一维11b = np.array([[1, 2, 3]])　12print b13print b.flatten() #降维1415for item in a.flat:　#每个元素打印16    print item1718"""19            [[ 3  4  5  6]20             [ 7  8  9 10]21             [11 12 13 14]]22            row23            [3 4 5 6]24            [ 7  8  9 10]25            [11 12 13 14]26            column27            [ 3  7 11]28            [ 4  8 12]29            [ 5  9 13]30            [ 6 10 14]31            =====================32            [ 3  4  5  6  7  8  9 10 11 12 13 14]33            [[1 2 3]]34            [1 2 3]35            336            437            538            639            740            841            942            1043            1144            1245            1346            1447"""3, 15).reshape((3, 4))# 数据都是下取上差一个取到。
 2print a
 3print "row"
 4for row in a:　#取每一行迭代
 5    print row
 6print "column"
 7for column in a.T:　#每一列迭代
 8    print column
 9print "====================="
10print a.flatten() # 所有元素变成一维
11b = np.array([[1, 2, 3]])　
12print b
13print b.flatten() #降维
14
15for item in a.flat:　#每个元素打印
16    print item
17
18"""
19            [[ 3  4  5  6]
20             [ 7  8  9 10]
21             [11 12 13 14]]
22            row
23            [3 4 5 6]
24            [ 7  8  9 10]
25            [11 12 13 14]
26            column
27            [ 3  7 11]
28            [ 4  8 12]
29            [ 5  9 13]
30            [ 6 10 14]
31            =====================
32            [ 3  4  5  6  7  8  9 10 11 12 13 14]
33            [[1 2 3]]
34            [1 2 3]
35            3
36            4
37            5
38            6
39            7
40            8
41            9
42            10
43            11
44            12
45            13
46            14
47"""

行迭代，就是可以理解为最外层的维度进行迭代，列迭代就是利用转置来完成。
flatten()函数的意思为把array的内层的维度进行降一维，将内层的维度弄掉，则二维数据就成为一维数据了

４．合并与分开

两个合并、多个合并（行向量转换成列向量）

 1# -*- coding: utf-8 -*- 2import numpy as np 3 4a = np.array([1, 1, 2]) 5b = np.array([2, 3, 4]) 6 7c = np.vstack((a, b)) #vertical 8 9print "a:", a10print "b:", b11print "c:", c12print "a,c shape:", a.shape, c.shape1314d = np.hstack((a, b)) #horizontal15print "d:", d16print d.shape17"""18        a: [1 1 2]19        b: [2 3 4]20        c: [[1 1 2]21         [2 3 4]]22        a,c shape: (3,) (2, 3)23        d: [1 1 2 2 3 4]24        (6,)25"""26print a.T  # not transponse　行向量无法直接用转置来变成列向量27# 行向量变成列向量28print a[np.newaxis, :].shape29print a[:, np.newaxis].shape30print a[:, np.newaxis]  #转换方法31"""32        [1 1 2]33        (1, 3)34        (3, 1)35        [[1]36         [1]37         [2]]38"""39a = np.array([1, 1, 2])[:, np.newaxis]40b = np.array([2, 3, 4])[:, np.newaxis]4142c = np.concatenate((a, b, b), axis=0) #多向量融合 4344print c4546c = np.concatenate((a, b, b), axis=1) #多向量融合4748print c4950"""51        [[1]52         [1]53         [2]54         [2]55         [3]56         [4]57         [2]58         [3]59         [4]]60        [[1 2 2]61         [1 3 3]62         [2 4 4]]63"""# -*- coding: utf-8 -*-
 2import numpy as np
 3
 4a = np.array([1, 1, 2])
 5b = np.array([2, 3, 4])
 6
 7c = np.vstack((a, b)) #vertical
 8
 9print "a:", a
10print "b:", b
11print "c:", c
12print "a,c shape:", a.shape, c.shape
13
14d = np.hstack((a, b)) #horizontal
15print "d:", d
16print d.shape
17"""
18        a: [1 1 2]
19        b: [2 3 4]
20        c: [[1 1 2]
21         [2 3 4]]
22        a,c shape: (3,) (2, 3)
23        d: [1 1 2 2 3 4]
24        (6,)
25"""
26print a.T  # not transponse　行向量无法直接用转置来变成列向量
27# 行向量变成列向量
28print a[np.newaxis, :].shape
29print a[:, np.newaxis].shape
30print a[:, np.newaxis]  #转换方法
31"""
32        [1 1 2]
33        (1, 3)
34        (3, 1)
35        [[1]
36         [1]
37         [2]]
38"""
39a = np.array([1, 1, 2])[:, np.newaxis]
40b = np.array([2, 3, 4])[:, np.newaxis]
41
42c = np.concatenate((a, b, b), axis=0) #多向量融合 
43
44print c
45
46c = np.concatenate((a, b, b), axis=1) #多向量融合
47
48print c
49
50"""
51        [[1]
52         [1]
53         [2]
54         [2]
55         [3]
56         [4]
57         [2]
58         [3]
59         [4]]
60        [[1 2 2]
61         [1 3 3]
62         [2 4 4]]
63"""

分开

 1# -*- coding: utf-8 -*- 2import numpy as np 3 4a = np.arange(12).reshape((3, 4)) 5 6print a 7print "平等分开" 8print "vertical:", np.split(a, 2, axis=1)  # 910print "horizontal:", np.split(a, 3, axis=0)  #11"""12            [[ 0  1  2  3]13             [ 4  5  6  7]14             [ 8  9 10 11]]            15            平等分开16            vertical: [array([[0, 1],17                   [4, 5],18                   [8, 9]]), array([[ 2,  3],19                   [ 6,  7],20                   [10, 11]])]21            horizontal: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]22"""23print "不平等分开"24print np.array_split(a, 3, axis=1)2526print "代替需要axis参数"27print "vertical_a:", np.vsplit(a, 3)2829print "horizontal_a:", np.hsplit(a, 2)30"""31            不平等分开32            [array([[0, 1],33                   [4, 5],34                   [8, 9]]), array([[ 2],35                   [ 6],36                   [10]]), array([[ 3],37                   [ 7],38                   [11]])]39            代替需要axis参数40            vertical_a: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]41            horizontal_a: [array([[0, 1],42                   [4, 5],43                   [8, 9]]), array([[ 2,  3],44                   [ 6,  7],45                   [10, 11]])]46"""# -*- coding: utf-8 -*-
 2import numpy as np
 3
 4a = np.arange(12).reshape((3, 4))
 5
 6print a
 7print "平等分开"
 8print "vertical:", np.split(a, 2, axis=1)  #
 9
10print "horizontal:", np.split(a, 3, axis=0)  #
11"""
12            [[ 0  1  2  3]
13             [ 4  5  6  7]
14             [ 8  9 10 11]]            
15            平等分开
16            vertical: [array([[0, 1],
17                   [4, 5],
18                   [8, 9]]), array([[ 2,  3],
19                   [ 6,  7],
20                   [10, 11]])]
21            horizontal: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
22"""
23print "不平等分开"
24print np.array_split(a, 3, axis=1)
25
26print "代替需要axis参数"
27print "vertical_a:", np.vsplit(a, 3)
28
29print "horizontal_a:", np.hsplit(a, 2)
30"""
31            不平等分开
32            [array([[0, 1],
33                   [4, 5],
34                   [8, 9]]), array([[ 2],
35                   [ 6],
36                   [10]]), array([[ 3],
37                   [ 7],
38                   [11]])]
39            代替需要axis参数
40            vertical_a: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
41            horizontal_a: [array([[0, 1],
42                   [4, 5],
43                   [8, 9]]), array([[ 2,  3],
44                   [ 6,  7],
45                   [10, 11]])]
46"""

５．元素传递和copy

 1b = np.arange(4) 2 3print b 4c = b 5e = c 6d = e 7b[0] = 11 8print b 910print c is b11print d is b12print b[0]1314d[1: 3] = [22, 22]15print b16print c1718c = b.copy()1920b[3] = 442122print b23print c24print e25"""26        [0 1 2 3]27        [11  1  2  3]28        True29        True30        1131        [11 22 22  3]32        [11 22 22  3]33        [11 22 22 44]34        [11 22 22  3]35        [11 22 22 44]36"""4)
 2
 3print b
 4c = b
 5e = c
 6d = e
 7b[0] = 11
 8print b
 9
10print c is b
11print d is b
12print b[0]
13
14d[1: 3] = [22, 22]
15print b
16print c
17
18c = b.copy()
19
20b[3] = 44
21
22print b
23print c
24print e
25"""
26        [0 1 2 3]
27        [11  1  2  3]
28        True
29        True
30        11
31        [11 22 22  3]
32        [11 22 22  3]
33        [11 22 22 44]
34        [11 22 22  3]
35        [11 22 22 44]
36"""

array这个元素传递有点意思的，就是如果直接a=b，其实从内存角度来考虑就相当于a和b指向了一样的元素内存空间，所以改变一个元素的值，另一个一样改变，如果想各是各的，并且还想传递另一个元素的值那就用a=b.copy()，所以这个还是需要注意的

6.补充部分

array.min/max/ptp

 1import numpy as np 2 3a = [[2, 4, 8, 9], [1, 7, 4, 5], [5, 7, 1, 4]] 4a = np.array(a) 5print(a) 6print(a.min(0)) 7print(a.min(1)) 8print(a.ptp(0)) 9"""10[[2 4 8 9]11 [1 7 4 5]12 [5 7 1 4]]13axis=0 为每列的最小值返回14[1 4 1 4]15axis=1 为每行的最小值返回16[2 1 1]17ptp为最大值减最小值的range18[4 3 7 5]19"""import numpy as np
 2
 3a = [[2, 4, 8, 9], [1, 7, 4, 5], [5, 7, 1, 4]]
 4a = np.array(a)
 5print(a)
 6print(a.min(0))
 7print(a.min(1))
 8print(a.ptp(0))
 9"""
10[[2 4 8 9]
11 [1 7 4 5]
12 [5 7 1 4]]
13axis=0 为每列的最小值返回
14[1 4 1 4]
15axis=1 为每行的最小值返回
16[2 1 1]
17ptp为最大值减最小值的range
18[4 3 7 5]
19"""

np.random.choice

1import numpy as np23a = np.random.choice(a=100, size=20)4print(a)5"""60-99之间选size为20的随机数的list7[78 82 91 96  5 60 28 79 24 56  5 34 58 48 96 57 77 23 80 69]8"""import numpy as np
2
3a = np.random.choice(a=100, size=20)
4print(a)
5"""
60-99之间选size为20的随机数的list
7[78 82 91 96  5 60 28 79 24 56  5 34 58 48 96 57 77 23 80 69]
8"""

推荐阅读：（点击即可跳转阅读）

解析几道动态规划题~