Numpy组队学习第二次打卡

5 数组的属性

1. numpy.ndarray.ndim 用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
2. numpy.ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。
3. numpy.ndarray.size 数组中所有元素的总量，相当于数组的 shape 中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
4. numpy.ndarray.dtype ndarray 对象的元素类型。
5. numpy.ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
   **注意：**在 ndarray 中所有元素必须是同一类型，否则会自动向下转换， int->float->str 。

import numpy as np 
a = np.array([1, 2, 3, 4, 5]) 
print(a) # [1 2 3 4 5] 

b = np.array([1, 2, 3, 4, '5']) 
print(b) # ['1' '2' '3' '4' '5'] 

c = np.array([1, 2, 3, 4, 5.0]) 
print(c) # [1. 2. 3. 4. 5.]

6 副本与视图

在 Numpy 中，尤其是在做 数组运算或数组操作 时，返回结果不是数组的 副本 就是 视图。
在 Numpy 中，所有 赋值运算 不会为数组和数组中的任何元素创建副本。

7 索引与切片

数组索引机制指的是用方括号（[]）加序号的形式引用单个数组元素，它的用处很多，比如抽取元素，选取数组的几个元素，甚至为其赋一个新值。

7.1 整数索引

7.2 切片索引

切片操作是指抽取数组的一部分元素生成新数组。对 python 列表进行切片操作得到的数组是原数组的副本，而对 Numpy 数据进行切片操作得到的数组则是指向相同缓冲区的视图。

**用法：**把几个用冒号（ start:stop:step ）隔开的数字置于方括号内。
**注意：**区间左闭右开！
（如省去第一个数字，numpy 会认为第一个数字是0；如省去第二个
数字，numpy 则会认为第二个数字是数组的最大索引值；如省去最后一个数字，它将会被理解为1，也就是抽取所有元素而不再考虑间隔。）

import numpy as np 
x = np.array([[11, 12, 13, 14, 15], 
 			  [16, 17, 18, 19, 20], 
			  [21, 22, 23, 24, 25], 
			  [26, 27, 28, 29, 30], 
			  [31, 32, 33, 34, 35]])

print(x[2:]) 
# [[21 22 23 24 25] 
# [26 27 28 29 30] 
# [31 32 33 34 35]] 

print(x[:2]) 
# [[11 12 13 14 15] 
# [16 17 18 19 20]] 

print(x[-2:]) 
# [[26 27 28 29 30] 
# [31 32 33 34 35]] 

print(x[:-2]) 
# [[11 12 13 14 15] 
# [16 17 18 19 20] 
# [21 22 23 24 25]]

x[0::2, 1::3] = 0 
print(x) 
# [[11 0 13 14 0] 
# [16 17 18 19 20] 
# [21 0 23 24 0] 
# [26 27 28 29 30] 
# [31 0 33 34 0]]
# 通过对每个以逗号分隔的维度执行单独的切片，你可以对多维数组进行切片。

7.3 dots 索引

NumPy 允许使用 … 表示足够多的冒号来构建完整的索引列表。
**例子：**如果 x 是 5 维数组：

1. x[1,2,…] 等于 x[1,2,:,:,:]
2. x[…,3] 等于 x[:,:,:,:,3]
3. x[4,…,5,:] 等于 x[4,:,:,5,:]

7.4 整数数组索引

方括号内传入多个索引值，可以同时选择多个元素。

import numpy as np
x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) 
r = [0, 1, 2] 
print(x[r]) 
# [1 2 3] 

r = [0, 1, -1] 
print(x[r]) 
# [1 2 8] 

r = [0, 1, -1] 
print(x[r]) 
# [[11 12 13 14 15] 
# [16 17 18 19 20] 
# [31 32 33 34 35]] 

r = [0, 1, 2] c = [2, 3, 4] 
y = x[r, c] print(y) 
# [13 19 25]

使用np,array

import numpy as np 
x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) 
r = np.array([[0, 1], [3, 4]]) 
print(x[r])
# [[1 2] 
# [4 5]] 

x = np.array([[11, 12, 13, 14, 15], 
			  [16, 17, 18, 19, 20], 
			  [21, 22, 23, 24, 25], 
		  	  [26, 27, 28, 29, 30], 
			  [31, 32, 33, 34, 35]]) 
r = np.array([[0, 1], [3, 4]]) 
print(x[r]) 
# [[[11 12 13 14 15]
# [16 17 18 19 20]] 
#
# [[26 27 28 29 30] 
# [31 32 33 34 35]]] 
# 获取了 5X5 数组中的四个角的元素。 
# 行索引是 [0,0] 和 [4,4]，而列索引是 [0,4] 和 [0,4]。 
r = np.array([[0, 0], [4, 4]]) 
c = np.array([[0, 4], [0, 4]]) 
y = x[r, c] 
print(y) 
# [[11 15] 
# [31 35]]

组合

import numpy as np 
x = np.array([[11, 12, 13, 14, 15], 
			  [16, 17, 18, 19, 20], 
			  [21, 22, 23, 24, 25], 
			  [26, 27, 28, 29, 30], 
   			  [31, 32, 33, 34, 35]]) 
y = x[0:3, [1, 2, 2]] 
print(y) 
# [[12 13 13] 
# [17 18 18]
# [22 23 23]]

使用take

import numpy as np

r = [0, 1, -1] 
x = np.array([[11, 12, 13, 14, 15], 
			  [16, 17, 18, 19, 20],
			  [21, 22, 23, 24, 25], 
			  [26, 27, 28, 29, 30], 
			  [31, 32, 33, 34, 35]])

print(np.take(x, r, axis=0)) 
# [[11 12 13 14 15] 
# [16 17 18 19 20] 
# [31 32 33 34 35]] 

r = [0, 1, 2] 
c = [2, 3, 4] 
y = np.take(x, [r, c]) 
print(y)
# [[11 12 13] 
# [13 14 15]]

7.5 布尔索引

import numpy as np
x = np.array([np.nan, 1, 2, np.nan, 3, 4, 5]) 
y = np.logical_not(np.isnan(x)) 
print(x[y]) 
# [1. 2. 3. 4. 5.] 

x = np.array([[11, 12, 13, 14, 15], 
			  [16, 17, 18, 19, 20], 
			  [21, 22, 23, 24, 25], 
			  [26, 27, 28, 29, 30], 
			  [31, 32, 33, 34, 35]]) 
y = x > 25 print(y) 
# [[False False False False False] 
# [False False False False False] 
# [False False False False False] 
# [ True True True True True] 
# [ True True True True True]] 
print(x[x > 25])
# [26 27 28 29 30 31 32 33 34 35]

8 数组迭代

用法： apply_along_axis(func1d, axis, arr)

import numpy as np 
x = np.array([[11, 12, 13, 14, 15], 
[16, 17, 18, 19, 20], 
[21, 22, 23, 24, 25], 
[26, 27, 28, 29, 30], 
[31, 32, 33, 34, 35]]) 
y = np.apply_along_axis(np.sum, 0, x) 
print(y) 
# [105 110 115 120 125]
y = np.apply_along_axis(np.sum, 1, x) 
print(y) 
# [ 65 90 115 140 165] 
y = np.apply_along_axis(np.mean, 0, x) 
print(y) 
# [21. 22. 23. 24. 25.] 
y = np.apply_along_axis(np.mean, 1, x) 
print(y) 
# [13. 18. 23. 28. 33.]


def my_func(x): 
	return (x[0] + x[-1]) * 0.5 
y = np.apply_along_axis(my_func, 0, x) 
print(y) 
# [21. 22. 23. 24. 25.] 
y = np.apply_along_axis(my_func, 1, x) 
print(y) # [13. 18. 23. 28. 33.]