##numpy笔记3
#广播
#广播是指 NumPy 在算术运算期间处理不同形状的数组的能力。 对数组的算术运算通常在相应的元素上进行。
#如果两个阵列具有完全相同的形状,则这些操作被无缝执行。
import numpy as np
a = np.array([1,2,3,4])
b = np.array([10,20,30,40])
c = a * b
print©
#输出
#[10 40 90 160]
#如果两个数组的维数不相同,则元素到元素的操作是不可能的。
#然而,在 NumPy 中仍然可以对形状不相似的数组进行操作,因为它拥有广播功能。
#较小的数组会广播到较大数组的大小,以便使它们的形状可兼容。
a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]])
b = np.array([1.0,2.0,3.0])
print(‘第一个数组:’)
print(a)
print(‘第二个数组:’)
print(b)
print(‘第一个数组加第二个数组:’)
print(a + b)
#数组上的迭代
#迭代器对象numpy.nditer
a = np.arange(0,60,5)
a = a.reshape(3,4)
print(‘原始数组是:’)
print(a)
print(‘修改后的数组是:’)
for x in np.nditer(a):
print(x)
#输出
#原始数组是:
#[[ 0 5 10 15]
#[20 25 30 35]
#[40 45 50 55]]
#修改后的数组是:
#0 5 10 15 20 25 30 35 40 45 50 55
#迭代的顺序匹配数组的内容布局,而不考虑特定的排序。数组转置后顺序不变
print(‘原始数组的转置是:’)
b = a.T
print(b)
print(‘修改后的数组是:’)
for x in np.nditer(b):
print(x)
#输出
#原始数组的转置是:
#[[ 0 20 40]
#[ 5 25 45]
#[10 30 50]
#[15 35 55]]
#修改后的数组是:
#0 5 10 15 20 25 30 35 40 45 50 55
#以C风格和以F风格
print(‘以 C 风格顺序排序:’)
c = b.copy(order=‘C’)
print c for x in np.nditer©:
print(x)
print(‘以 F 风格顺序排序:’)
c = b.copy(order=‘F’)
print©
for x in np.nditer©:
print(x)
#输出
#以 C 风格顺序排序:
#[[ 0 20 40]
#[ 5 25 45]
#[10 30 50]
#[15 35 55]]
#0 20 40 5 25 45 10 30 50 15 35 55
#以 F 风格顺序排序:
#[[ 0 20 40]
#[ 5 25 45]
#[10 30 50]
#[15 35 55]]
#0 5 10 15 20 25 30 35 40 45 50 55
#通过显式提醒,来强制nditer对象使用某种顺序
print(‘以 C 风格顺序排序:’)
for x in np.nditer(a, order = ‘C’):
print(x)
print(‘以 F 风格顺序排序:’)
for x in np.nditer(a, order = ‘F’):
print(x)
#输出
#以 C 风格顺序排序:
#0 5 10 15 20 25 30 35 40 45 50 55
#以 F 风格顺序排序:
#0 20 40 5 25 45 10 30 50 15 35 55
#nditer对象有另一个可选参数op_flags。 其默认值为只读,但可以设置为读写或只写模式。
for x in np.nditer(a, op_flags=[‘readwrite’]):
x[…]=2*x
#外部循环
#迭代器遍历对应于每列的一维数组。
for x in np.nditer(a, flags = [‘external_loop’], order = ‘F’):
print(x)
#输出
#[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]
#广播迭代
a = np.arange(0,60,5)
a = a.reshape(3,4)
print(‘第一个数组:’)
print(a)
print(‘第二个数组:’)
b = np.array([1, 2, 3, 4], dtype = int)
print(b)
print(‘修改后的数组是:’)
for x,y in np.nditer([a,b]):
print("%d:%d" % (x,y))
#输出
#第一个数组:
#[[ 0 5 10 15]
#[20 25 30 35]
#[40 45 50 55]]
#第二个数组:
#[1 2 3 4]
#修改后的数组是:
#0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4
#数组操作
#numpy.ndarray.flat
#该函数返回数组上的一维迭代器
a = np.arange(8).reshape(2,4)
#返回展开数组中的下标的对应元素
print a.flat[5]
#输出
#5
#numpy.ndarray.flatten
#该函数返回折叠为一维的数组副本,函数接受下列参数
#ndarray.flatten(order)
#order:‘C’ — 按行,‘F’ — 按列,‘A’ — 原顺序,‘k’ — 元素在内存中的出现顺序。
a = np.arange(8).reshape(2,4)
print(‘原数组:’)
print(a)
#default is column-major
print ‘展开的数组:’
print(a.flatten())
print(‘以 F 风格顺序展开的数组:’)
print(a.flatten(order = ‘F’))
#输出
#原数组:
#[[0 1 2 3]
#[4 5 6 7]]
#展开的数组:
#[0 1 2 3 4 5 6 7]
#以 F 风格顺序展开的数组:
#[0 4 1 5 2 6 3 7]
#其他操作参考链接
#https://www.yiibai.com/numpy/numpy_array_manipulation.html