Numpy 数组的学习

**

.numpy数组

**
一、numpy数组的创建：

1）、利用arange创建数组
np.arange（[start], stop[step],dtype=None）
2）、np.array([1,2,3,4,5,6])
3）、np.array(range(10))

一个示例如下：

二、数据的类型
numpy里求数据的类型：dtype（）

numpy中一些常见的数据类型：（图片转载于它处）

数据类型相关的操作
示例代码

# 创建指定数据类型的数组
x = np.array([1,0,1,0],dtype = bool)
x
array([ True, False,  True, False])
# 修改数组的数据类型
x = x.astype("int8")
x.dtype
dtype('int8')
# 修改浮点数的小数位数
b = np.array([0.043123,0.011122,0.1233,0.45345])
b
array([0.043123, 0.011122, 0.1233  , 0.45345 ])
# 保留小数点后两位小数
np.round(b,2)
array([0.04, 0.01, 0.12, 0.45])

三、数组的形状

• dtype 数组元素的，数据类型
• size 数组元素的个数
• ndim 数组的维数
• shape 数据的维度大小（以元组形式）
• reshape 改变数组的维度

reshape示例

> a = np.arange(24)
> s = a.reshape(2,3,4)

示例代码图片

数组的转置

矩阵的行列互换得到的新矩阵称为转置矩阵，转置矩阵的行列式不变。numpy中数组的转置，即是借用线性代数中矩阵的转置，实现行与列对调，即第一行变成第一列……或第一列变成第一行……的操作完成转置操作。

常用的三个方法：

1、T
2、transpose（）
3、swapaxes（）
详情如下图：

> # 创建一个数组
> a2 = np.arange(20).reshape(4,5)
> array([[ 0,  1,  2,  3,  4],
         [ 5,  6,  7,  8,  9],
         [10, 11, 12, 13, 14],
         [15, 16, 17, 18, 19]])
> 
> # 方法一，T 实现行与列的对调
>a2.T
>array([[ 0,  5, 10, 15],
        [ 1,  6, 11, 16],
        [ 2,  7, 12, 17],
        [ 3,  8, 13, 18],
        [ 4,  9, 14, 19]])
> 
> # 方法二： transpose（） 
> a2.transpose()
> array([[ 0,  5, 10, 15],
         [ 1,  6, 11, 16],
         [ 2,  7, 12, 17],
         [ 3,  8, 13, 18],
         [ 4,  9, 14, 19]])
> 
> # 方法三、swapaxes（1，0）其中 0表示行，1表示列
> a2.swapaxes(1,0)
> array([[ 0,  5, 10, 15],
         [ 1,  6, 11, 16],
         [ 2,  7, 12, 17],
         [ 3,  8, 13, 18],
         [ 4,  9, 14, 19]])

四、数组的运算

示例代码：

a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])

a+1
array([[ 4,  5,  6,  7,  8,  9],
       [ 5,  6,  7,  8,  9, 10]])

a*3
array([[ 9, 12, 15, 18, 21, 24],
       [12, 15, 18, 21, 24, 27]])

数组和数组之间的计算

ipython中的代码如下例所示：`

...: In [3]: a = np.array([[1,2,3,4],[5,6,7,8]])
...:
...: In [4]: b = np.array([[1,2,3,4],[5,6,7,8]])
...:
...: In [5]: a+b
...: Out[5]:
...: array([[ 2,  4,  6,  8],
...:        [10, 12, 14, 16]])
...:
...: In [6]: a*b
...: Out[6]:
...: array([[ 1,  4,  9, 16],
...:        [25, 36, 49, 64]])
...:
...: In [7]: a-b
...: Out[7]:
...: array([[0, 0, 0, 0],
...:        [0, 0, 0, 0]])
...:
...: In [8]: c = np.array([[2,3,4,5]])
...:
...: In [9]: a+c
...: Out[9]:
...: array([[ 3,  5,  7,  9],
...:        [ 7,  9, 11, 13]])

`