numpy常用小知识

1.array基本信息查看及操作

写在前面：命名py文件时，不要使用python自带的包命名，会出现AttributeError：module ‘numpy’ has no attribute ‘array’。

查看array元素内容、类型、维度

import numpy as np
array = np.array([[1, 2, 3],
                  [2, 3, 4]])
print(array)  # 查看array
print(array.dtype)  # 每个元素的类型
print("number of dim", array.ndim)  # array的维度，两行三列
print('shape:',array.shape)  # 形状
print('size:',array.size)  # array的大小=array中所有元素的格式

常见的array格式：零矩阵、一矩阵、空矩阵

# 常见的array格式
a1 = np.zeros((2, 3), dtype=np.int) # 生成全为0的array
a2 = np.ones((2, 3), dtype=np.int16) # 生成全为1的array
a3 = np.empty((2, 3)) # 生成全为接近空的array
a4 = np.arange(10, 20, 2) # 生成array 10到20 步长为2，即10，12，14，16，18
a5 = np.arange(12)  # 生成0到11
a6 = np.arange(12).reshape((3,4)) # reshape重新定域矩阵形状
a7 = np.linspace(1, 10, 4).reshape((2, 2))  # 将1到10之间，步长为4-1=3，即1，4，7，10，重新定义为2*2矩阵

2.array之间的计算

加减法

# array之间的计算
a = np.array([10, 20, 30, 40])  # 相同维度
b = np.arange(4)
c1 = a+b
c2 = a-b
aa = np.array([[1, 2, 3, 4],  # 不同维度，把维度低的array自动扩大到大维度的array
              [11, 22, 33, 44]])
bb = np.arange(4)
cc = aa+bb #  结果为 [[1 3 5 7] [11 23 35 47]]

乘除法

d = np.array([[1, 2],
              [3, 4]])
e = np.arange(1, 8, 2).reshape((2, 2))  # [[1 3] [5 7]]
print("d*e:", d*e)  # 对应元素相乘
print("d/e:", d/e)  # 对应元素相除
print("d e 矩阵相乘：", d.dot(e))  # 矩阵相乘 等价于np.dot(d,e)

随机数，按行或列求最大最小值

f = np.random.random((2,4))  # 随机产生shape为（2，4）的一个array，每个元素都在0-1之间
print(np.sum(f))  #求和
print(np.min(f))
print(np.max(f))
print(np.sum(f, axis=0))  # 按列执行，从上往下走
print(np.min(f, axis=1))  # 按行执行，从左往右走
print(np.max(f, axis=0))

此处axis=0,axis=1用图解释如下：

sort、转置

c = np.arange(14, 2, -1).reshape((3,4))
print("sort:", np.sort(c))  # 每一行进行从小到大的排序
print("c的转置：", np.transpose(c))  # 对矩阵进行转置，等价于c.T，行向量用np.newaxis进行转换
print("clip:", np.clip(c, 5, 9))  # c矩阵中小于5的元素等于5，大于9的等于9

3. 索引和拼接

取值，取行或列，降维

a = np.arange(3, 15).reshape((3,4))
print(a)
print(a[1])  # 索引为1的行，等价于a[:][1]
print(a[2, 1])  # 与数组类似
print(a[:, 1])  # 索引为1的列，生成行向量
print(a[:,1:2])  # 索引为1的列，生成列向量
print(a[:, 1:3])  # 索引为1到2 的列，生成列向量
print(a.flatten())  # 所有元素变为一维

数组拼接

a = np.array([1, 1, 2])
b = np.array([2, 3, 4])
c = np.vstack((a,b))  # vertical 垂直方向b接在a后面
d = np.hstack((a,b))  # horizontal 水平方向b接在a后面

a = np.array([1, 1, 2])[:, np.newaxis]
b = np.array([2, 3, 4])[:, np.newaxis]
e = np.concatenate((a, b, b), axis=0)  # 多向量融合
f = np.concatenate((a, b, b), axis=1)

学习来源： AI蜗牛车公众号