numpy 数组生成
在 Python 内建对象中,数组有三种形式:
- 列表:
[1, 2, 3]
- 元组:
(1, 2, 3, 4, 5)
- 字典:
{A:1, B:2}
其中,元组与列表相似,不同之处在于元组的元素不能修改。而字典由键和值构成。python 标准类针对数组的处理局限于 1 维,并仅提供少量的功能。而 NumPy 最核心且最重要的一个特性就是 ndarray
多维数组对象,它区别于 Python 的标准类,拥有对高维数组的处理能力,这也是数值计算过程中缺一不可的重要特性。
NumPy 中,ndarray
类具有六个参数,它们分别为:
shape
:数组的形状。dtype
:数据类型。(数据类型可以使用‘type’,也可以使用np.type)buffer
:对象暴露缓冲区接口。offset
:数组数据的偏移量。strides
:数据步长。order
:{'C','F'}
,以行或列为主排列顺序。
创建 NumPy 多维数组的一些方法。在 NumPy 中,我们主要通过以下 5 种途径创建数组,它们分别是:
- 从 Python 数组结构列表,元组等转换。
- 使用
np.arange
、np.ones
、np.zeros
等 NumPy 原生方法。 - 从存储空间读取数组。
- 通过使用字符串或缓冲区从原始字节创建数组。
- 使用特殊函数,如
random
。
列表或元组转换
在 NumPy 中,我们使用 numpy.array
将列表或元组转换为 ndarray
数组。其方法为:
numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)
其中,参数:
object
:列表、元组等。dtype
:数据类型。如果未给出,则类型为被保存对象所需的最小类型。copy
:布尔类型,默认 True,表示复制对象。order
:顺序。subok
:布尔类型,表示子类是否被传递。ndmin
:生成的数组应具有的最小维数。
arange
方法创建
除了直接使用 array 方法创建 ndarray
,在 NumPy 中还有一些方法可以创建一些有规律性的多维数。首先,我们来看一看 arange()
。arange()
的功能是在给定区间内创建一系列均匀间隔的值。方法如下:
numpy.arange(start, stop, step, dtype=None)
你需要先设置值所在的区间 [开始, 停止)
,这是一个半开半闭区间。然后,在设置 step
步长用于设置值之间的间隔。最后的可选参数 dtype
可以设置返回ndarray
的值类型。
linspace
方法创建
linspace 函数 是创建等差数列的函数
linspace
方法也可以像arange
方法一样,创建数值有规律的数组。linspace
用于在指定的区间内返回间隔均匀的值。其方法如下:
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
start
:序列的起始值。stop
:序列的结束值。num
:生成的样本数。默认值为50。#代表 创建1-10的等差数组 ,默认是50个endpoint
:布尔值,如果为真,则最后一个样本包含在序列内。retstep
:布尔值,如果为真,返回间距。dtype
:数组的类型。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AnHUl8k3-1632539056776)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210924151615162.png)]
arange()和linspace()区别
-
arange()类似于内置函数range(),通过指定开始值、终值和步长创建表示等差数列的一维数组,注意得到的结果数组不包含终值。
-
linspace()通过指定开始值、终值和元素个数创建表示等差数列的一维数组,可以通过endpoint参数指定是否包含终值,默认值为True,即包含终值。
ones
方法创建
numpy.ones
用于快速创建数值全部为 1
的多维数组。其方法如下:
numpy.ones(shape, dtype=None, order='C')
其中:
shape
:用于指定数组形状,例如(1, 2)或 3。dtype
:数据类型。order
:{'C','F'}
,按行或列方式储存数组。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DyNY2GeN-1632539056778)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210924152242881.png)]
zeros
方法创建
zeros
方法和上面的 ones
方法非常相似,不同的地方在于,这里全部填充为 0
。zeros
方法和 ones
是一致的。
numpy.zeros(shape, dtype=None, order='C')
其中:
shape
:用于指定数组形状,例如(1, 2)
或3
。dtype
:数据类型。order
:{'C','F'}
,按行或列方式储存数组。
eye
方法创建
numpy.eye
用于创建一个二维数组,其特点是k
对角线上的值为 1
,其余值全部为0
。方法如下:
numpy.eye(N, M=None, k=0, dtype=<type 'float'>)
其中:
N
:输出数组的行数。M
:输出数组的列数。k
:对角线索引:0(默认)是指主对角线,正值是指上对角线,负值是指下对角线。
从已知数据创建
我们还可以从已知数据文件、函数中创建 ndarray
。NumPy 提供了下面 5
个方法:
frombuffer(buffer)
:将缓冲区转换为1
维数组。fromfile(file,dtype,count,sep)
:从文本或二进制文件中构建多维数组。fromfunction(function,shape)
:通过函数返回值来创建多维数组。fromiter(iterable,dtype,count)
:从可迭代对象创建1
维数组。fromstring(string,dtype,count,sep)
:从字符串中创建1
维数组。
ndarray
数组属性
首先,我们创建一个 ndarray
数组,首先,新建 a
并随意设定为一个 2 维数组。
ndarray.T
用于数组的转置,与 .transpose()
相同。
ndarray.dtype
用来输出数组包含元素的数据类型。
ndarray.imag
用来输出数组包含元素的虚部。
ndarray.real
用来输出数组包含元素的实部。
ndarray.size
用来输出数组中的总包含元素数。
ndarray.itemsize
输出一个数组元素的字节数。
ndarray.nbytes
用来输出数组的元素总字节数。
ndarray.ndim
用来输出数组维度。
ndarray.shape
用来输出数组形状。
ndarray.strides
用来遍历数组时,输出每个维度中步进的字节数组。
import numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
#array([[1, 2, 3],
# [4, 5, 6],
# [7, 8, 9]])
a.T #数组转置
#array([[1, 4, 7],
# [2, 5, 8],
# [3, 6, 9]])
a.dtype #输出数组包含的数据类型
# dtype('int64')
a.imag #输出数组的虚部
#array([[0, 0, 0],
# [0, 0, 0],
# [0, 0, 0]])
a.real #输出数组的实部
#array([[1, 2, 3],
# [4, 5, 6],
# [7, 8, 9]])
a.size #输出总元素数
#9
a.itemsize# 输出一个元素所占的字节数
#8
a.nbtyes #输出一个数组所占的字节数
#72
a.ndim #输出数组维度
#2
a.shape #输出数组形状
#(3,3)
a.strides
#(24,8)
数组维度和形状
NumPy 数组又被称之为 ndarray
多维数组,那么 n 就可以从 1 维依次递增。下图展示了 1 至 3 维的 NumPy 数组示例:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mwI6mEFz-1632539056780)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925100250402.png)]
1 维数组可以被看作数学中的向量,2 维数组可以看作是矩阵,而 3 维数组则是一个数据立方。
one=np.array([7,2,9,10])
two=np.array([[5.4,3.0,5.4],[9.1,0.1,0.3]])
three=np.array([[[1,1],[1,1],[1,1]],
[[1,1],[1,1],[1,1]],
[[1,1],[1,1],[1,1]]])
one.shape,two.shape,three.shape
#((4,), (2, 3), (3, 3, 2))
.shape
得到的形状实际上是数组在每个轴 Axis 上面的元素数量,而 .shape
的长度的表明了数组的维度。
数组基本操作
重设形状
reshape
可以在不改变数组数据的同时,改变数组的形状。其中,numpy.reshape()
等效于 ndarray.reshape()
。reshape
方法非常简单:
numpy.reshape(a, newshape)
np.arange(10).reshape((5,2))
'''
array([[0, 1],
[2, 3],
[4, 5],
[6, 7],
[8, 9]])
'''
其中,a 表示原数组,newshape
用于指定新的形状(整数或者元组)。
数组展开
ravel
的目的是将任意形状的数组扁平化,变为 1 维数组。ravel
方法如下:
numpy.ravel(a, order='C')
其中,a 表示需要处理的数组。order
表示变换时的读取顺序,默认是按照行依次读取,当 order='F'
时,可以按列依次读取排序。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vRT2LihV-1632539056781)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925101254914.png)]
轴移动
moveaxis
可以将数组的轴移动到新的位置。其方法如下:
numpy.moveaxis(a, source, destination)
其中:
a
:数组。source
:要移动的轴的原始位置。destination
:要移动的轴的目标位置。
a=np.ones((1,2,3))
np.moveaxis(a,0,-1)
a.shape, np.moveaxis(a, 0, -1).shape
#((1, 2, 3), (2, 3, 1))
轴交换
和 moveaxis
不同的是,swapaxes
可以用来交换数组的轴。其方法如下:
numpy.swapaxes(a, axis1, axis2)
其中:
a
:数组。axis1
:需要交换的轴 1 位置。axis2
:需要与轴 1 交换位置的轴 1 位置。
数组转置
transpose
类似于矩阵的转置,它可以将 2 维数组的横轴和纵轴交换。其方法如下:
numpy.transpose(a, axes=None)
其中:
a
:数组。axis
:该值默认为none
,表示转置。如果有值,那么则按照值替换轴。
维度改变
atleast_xd
支持将输入数据直接视为 x
维。这里的 x
可以表示:1,2,3
。方法分别为:
numpy.atleast_1d()
numpy.atleast_2d()
numpy.atleast_3d()
类型转换
在 NumPy 中,还有一系列以 as 开头的方法,它们可以将特定输入转换为数组,亦可将数组转换为矩阵、标量,ndarray
等。如下:
asarray(a,dtype,order)
:将特定输入转换为数组。asanyarray(a,dtype,order)
:将特定输入转换为ndarray
。asmatrix(data,dtype)
:将特定输入转换为矩阵。asfarray(a,dtype)
:将特定输入转换为float
类型的数组。asarray_chkfinite(a,dtype,order)
:将特定输入转换为数组,检查NaN
或infs
。asscalar(a)
:将大小为 1 的数组转换为标量。
数组连接
concatenate
可以将多个数组沿指定轴连接在一起。其方法为:
numpy.concatenate((a1, a2, ...), axis=0)
其中:
(a1, a2, ...)
:需要连接的数组。axis
:指定连接轴。
数组堆叠
在 NumPy 中,以下方法可用于数组的堆叠:
stack(arrays,axis)
:沿着新轴连接数组的序列。column_stack()
:将 1 维数组作为列堆叠到 2 维数组中。hstack()
:按水平方向堆叠数组。vstack()
:按垂直方向堆叠数组。dstack()
:按深度方向堆叠数组
拆分
split
及与之相似的一系列方法主要是用于数组的拆分,列举如下:
split(ary,indices_or_sections,axis)
:将数组拆分为多个子数组。dsplit(ary,indices_or_sections)
:按深度方向将数组拆分成多个子数组。hsplit(ary,indices_or_sections)
:按水平方向将数组拆分成多个子数组。vsplit(ary,indices_or_sections)
:按垂直方向将数组拆分成多个子数组
删除
delete
删除:
delete(arr,obj,axis)
:沿特定轴删除数组中的子数组。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UzVMM0UQ-1632539056783)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925103051186.png)]
数组插入
insert
插入,用法和 delete
很相似,只是需要在第三个参数位置设置需要插入的数组对象:
insert(arr,obj,values,axis)
:依据索引在特定轴之前插入值。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QWdu6Iyx-1632539056783)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925103211607.png)]
附加
append
的用法也非常简单。只需要设置好需要附加的值和轴位置就好了。它其实相当于只能在末尾插入的 insert
,所以少了一个指定索引的参数。
append(arr,values,axis)
:将值附加到数组的末尾,并返回 1 维数组。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Yp7KOkWs-1632539056784)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925103346581.png)]
重设尺寸
resize
就很好理解了,直接举例子吧:
resize(a,new_shape)
:对数组尺寸进行重新设定。
a=np.arange(10)
a.resize(2,5)
这个 resize
看起来和上面的 reshape
一样呢,都是改变数组原有的形状。
其实,它们是有区别的,区别在于对原数组的影响。reshape
在改变形状时,不会影响原数组,相当于对原数组做了一份拷贝。而 resize
则是对原数组执行操作。
翻转数组
在 NumPy 中,我们还可以对数组进行翻转操作:
fliplr(m)
:左右翻转数组。flipud(m)
:上下翻转数组。
NumPy 随机数
NumPy 的随机数功能非常强大,主要由 numpy.random
模块完成。
首先,我们需要了解如何使用 NumPy 也就是生成一些满足基本需求的随机数据。主要由以下一些方法完成:
numpy.random.rand(d0, d1, ..., dn)
方法的作用为:指定一个数组,并使用 [0, 1)
区间随机数据填充,这些数据均匀分布。
numpy.random.randn(d0, d1, ..., dn)
与 numpy.random.rand(d0, d1, ..., dn)
的区别在于,前者是从标准正态分布中返回一个或多个样本值。
randint(low, high, size, dtype)
方法将会生成 [low, high)
的随机整数。注意这是一个半开半闭区间。
random_sample(size)
方法将会在 [0, 1)
区间内生成指定 size
的随机浮点数。
与 numpy.random.random_sample
类似的方法还有:
numpy.random.random([size])
numpy.random.ranf([size])
numpy.random.sample([size])
choice(a, size, replace, p)
方法将会给定的数组里随机抽取几个值,该方法类似于随机抽样。
概率密度分布
除了上面介绍的 6 种随机数生成方法,NumPy 还提供了大量的满足特定概率密度分布的样本生成方法。它们的使用方法和上面非常相似,这里就不再一一介绍了。列举如下:
numpy.random.beta(a,b,size)
:从 Beta 分布中生成随机数。numpy.random.binomial(n, p, size)
:从二项分布中生成随机数。numpy.random.chisquare(df,size)
:从卡方分布中生成随机数。numpy.random.dirichlet(alpha,size)
:从 Dirichlet 分布中生成随机数。numpy.random.exponential(scale,size)
:从指数分布中生成随机数。numpy.random.f(dfnum,dfden,size)
:从 F 分布中生成随机数。numpy.random.gamma(shape,scale,size)
:从 Gamma 分布中生成随机数。numpy.random.geometric(p,size)
:从几何分布中生成随机数。numpy.random.gumbel(loc,scale,size)
:从 Gumbel 分布中生成随机数。numpy.random.hypergeometric(ngood, nbad, nsample, size)
:从超几何分布中生成随机数。numpy.random.laplace(loc,scale,size)
:从拉普拉斯双指数分布中生成随机数。numpy.random.logistic(loc,scale,size)
:从逻辑分布中生成随机数。numpy.random.lognormal(mean,sigma,size)
:从对数正态分布中生成随机数。numpy.random.logseries(p,size)
:从对数系列分布中生成随机数。numpy.random.multinomial(n,pvals,size)
:从多项分布中生成随机数。numpy.random.multivariate_normal(mean, cov, size)
:从多变量正态分布绘制随机样本。numpy.random.negative_binomial(n, p, size)
:从负二项分布中生成随机数。numpy.random.noncentral_chisquare(df,nonc,size)
:从非中心卡方分布中生成随机数。numpy.random.noncentral_f(dfnum, dfden, nonc, size)
:从非中心 F 分布中抽取样本。numpy.random.normal(loc,scale,size)
:从正态分布绘制随机样本。numpy.random.pareto(a,size)
:从具有指定形状的 Pareto II 或 Lomax 分布中生成随机数。numpy.random.poisson(lam,size)
:从泊松分布中生成随机数。numpy.random.power(a,size)
:从具有正指数 a-1 的功率分布中在 0,1 中生成随机数。numpy.random.rayleigh(scale,size)
:从瑞利分布中生成随机数。numpy.random.standard_cauchy(size)
:从标准 Cauchy 分布中生成随机数。numpy.random.standard_exponential(size)
:从标准指数分布中生成随机数。numpy.random.standard_gamma(shape,size)
:从标准 Gamma 分布中生成随机数。numpy.random.standard_normal(size)
:从标准正态分布中生成随机数。numpy.random.standard_t(df,size)
:从具有 df 自由度的标准学生 t 分布中生成随机数。numpy.random.triangular(left,mode,right,size)
:从三角分布中生成随机数。numpy.random.uniform(low,high,size)
:从均匀分布中生成随机数。numpy.random.vonmises(mu,kappa,size)
:从 von Mises 分布中生成随机数。numpy.random.wald(mean,scale,size)
:从 Wald 或反高斯分布中生成随机数。numpy.random.weibull(a,size)
:从威布尔分布中生成随机数。numpy.random.zipf(a,size)
:从 Zipf 分布中生成随机数。
数学函数
三角函数
首先, 看一看 NumPy 提供的三角函数功能。这些方法有:
numpy.sin(x)
:三角正弦。numpy.cos(x)
:三角余弦。numpy.tan(x)
:三角正切。numpy.arcsin(x)
:三角反正弦。numpy.arccos(x)
:三角反余弦。numpy.arctan(x)
:三角反正切。numpy.hypot(x1,x2)
:直角三角形求斜边。numpy.degrees(x)
:弧度转换为度。numpy.radians(x)
:度转换为弧度。numpy.deg2rad(x)
:度转换为弧度。numpy.rad2deg(x)
:弧度转换为度。
双曲函数
在数学中,双曲函数是一类与常见的三角函数类似的函数。双曲函数经常出现于某些重要的线性微分方程的解中,使用 NumPy 计算它们的方法为:
numpy.sinh(x)
:双曲正弦。numpy.cosh(x)
:双曲余弦。numpy.tanh(x)
:双曲正切。numpy.arcsinh(x)
:反双曲正弦。numpy.arccosh(x)
:反双曲余弦。numpy.arctanh(x)
:反双曲正切。
数值修约
数值修约, 又称数字修约, 是指在进行具体的数字运算前, 按照一定的规则确定一致的位数, 然后舍去某些数字后面多余的尾数的过程。比如, 我们常听到的「4 舍 5 入」就属于数值修约中的一种。
numpy.around(a)
:平均到给定的小数位数。numpy.round_(a)
:将数组舍入到给定的小数位数。numpy.rint(x)
:修约到最接近的整数。numpy.fix(x, y)
:向 0 舍入到最接近的整数。numpy.floor(x)
:返回输入的底部(标量 x 的底部是最大的整数 i)。numpy.ceil(x)
:返回输入的上限(标量 x 的底部是最小的整数 i).numpy.trunc(x)
:返回输入的截断值。
求和、求积、差分
下面这些方法用于数组内元素或数组间进行求和、求积以及进行差分。
numpy.prod(a, axis, dtype, keepdims)
:返回指定轴上的数组元素的乘积。numpy.sum(a, axis, dtype, keepdims)
:返回指定轴上的数组元素的总和。numpy.nanprod(a, axis, dtype, keepdims)
:返回指定轴上的数组元素的乘积, 将 NaN 视作 1。numpy.nansum(a, axis, dtype, keepdims)
:返回指定轴上的数组元素的总和, 将 NaN 视作 0。numpy.cumprod(a, axis, dtype)
:返回沿给定轴的元素的累积乘积。numpy.cumsum(a, axis, dtype)
:返回沿给定轴的元素的累积总和。numpy.nancumprod(a, axis, dtype)
:返回沿给定轴的元素的累积乘积, 将 NaN 视作 1。numpy.nancumsum(a, axis, dtype)
:返回沿给定轴的元素的累积总和, 将 NaN 视作 0。numpy.diff(a, n, axis)
:计算沿指定轴的第 n 个离散差分。numpy.ediff1d(ary, to_end, to_begin)
:数组的连续元素之间的差异。numpy.gradient(f)
:返回 N 维数组的梯度。numpy.cross(a, b, axisa, axisb, axisc, axis)
:返回两个(数组)向量的叉积。numpy.trapz(y, x, dx, axis)
:使用复合梯形规则沿给定轴积分。
指数和对数
如果你需要进行指数或者对数求解,可以用到以下这些方法。
numpy.exp(x)
:计算输入数组中所有元素的指数。numpy.log(x)
:计算自然对数。numpy.log10(x)
:计算常用对数。numpy.log2(x)
:计算二进制对数。
算术运算
当然,NumPy 也提供了一些用于算术运算的方法,使用起来会比 Python 提供的运算符灵活一些,主要是可以直接针对数组。
numpy.add(x1, x2)
:对应元素相加。numpy.reciprocal(x)
:求倒数 1/x。numpy.negative(x)
:求对应负数。numpy.multiply(x1, x2)
:求解乘法。numpy.divide(x1, x2)
:相除 x1/x2。numpy.power(x1, x2)
:类似于 x1^x2。numpy.subtract(x1, x2)
:减法。numpy.fmod(x1, x2)
:返回除法的元素余项。numpy.mod(x1, x2)
:返回余项。numpy.modf(x1)
:返回数组的小数和整数部分。numpy.remainder(x1, x2)
:返回除法余数。
矩阵和向量积
求解向量、矩阵、张量的点积等同样是 NumPy 非常强大的地方。
numpy.dot(a, b)
:求解两个数组的点积。numpy.vdot(a, b)
:求解两个向量的点积。numpy.inner(a, b)
:求解两个数组的内积。numpy.outer(a, b)
:求解两个向量的外积。numpy.matmul(a, b)
:求解两个数组的矩阵乘积。numpy.tensordot(a, b)
:求解张量点积。numpy.kron(a, b)
:计算 Kronecker 乘积。
除了上面这些归好类别的方法,NumPy 中还有一些用于数学运算的方法,归纳如下:
numpy.angle(z, deg)
:返回复参数的角度。numpy.real(val)
:返回数组元素的实部。numpy.imag(val)
:返回数组元素的虚部。numpy.conj(x)
:按元素方式返回共轭复数。numpy.convolve(a, v, mode)
:返回线性卷积。numpy.sqrt(x)
:平方根。numpy.cbrt(x)
:立方根。numpy.square(x)
:平方。numpy.absolute(x)
:绝对值, 可求解复数。numpy.fabs(x)
:绝对值。numpy.sign(x)
:符号函数。numpy.maximum(x1, x2)
:最大值。numpy.minimum(x1, x2)
:最小值。numpy.nan_to_num(x)
:用 0 替换 NaN。numpy.interp(x, xp, fp, left, right, period)
:线性插值。
代数运算
上面,我们分为 8 个类别,介绍了 NumPy 中常用到的数学函数。这些方法让复杂的计算过程表达更为简单。除此之外,NumPy 中还包含一些代数运算的方法,尤其是涉及到矩阵的计算方法,求解特征值、特征向量、逆矩阵等,非常方便。
numpy.linalg.cholesky(a)
:Cholesky 分解。numpy.linalg.qr(a ,mode)
:计算矩阵的 QR 因式分解。numpy.linalg.svd(a ,full_matrices,compute_uv)
:奇异值分解。numpy.linalg.eig(a)
:计算正方形数组的特征值和右特征向量。numpy.linalg.eigh(a, UPLO)
:返回 Hermitian 或对称矩阵的特征值和特征向量。numpy.linalg.eigvals(a)
:计算矩阵的特征值。numpy.linalg.eigvalsh(a, UPLO)
:计算 Hermitian 或真实对称矩阵的特征值。numpy.linalg.norm(x ,ord,axis,keepdims)
:计算矩阵或向量范数。numpy.linalg.cond(x ,p)
:计算矩阵的条件数。numpy.linalg.det(a)
:计算数组的行列式。numpy.linalg.matrix_rank(M ,tol)
:使用奇异值分解方法返回秩。numpy.linalg.slogdet(a)
:计算数组的行列式的符号和自然对数。numpy.trace(a ,offset,axis1,axis2,dtype,out)
:沿数组的对角线返回总和。numpy.linalg.solve(a, b)
:求解线性矩阵方程或线性标量方程组。numpy.linalg.tensorsolve(a, b ,axes)
:为 x 解出张量方程 a x = bnumpy.linalg.lstsq(a, b ,rcond)
:将最小二乘解返回到线性矩阵方程。numpy.linalg.inv(a)
:计算逆矩阵。numpy.linalg.pinv(a ,rcond)
:计算矩阵的(Moore-Penrose)伪逆。numpy.linalg.tensorinv(a ,ind)
:计算 N 维数组的逆。
数组索引和切片
我们已经明确了,Ndarray 是 NumPy 的组成核心,那么对于 NumPy 的多维数组,其实它完整集成了 Python 对于数组的索引语法 array[obj]
。随着 obj
的不同,我们可以实现字段访问、数组切片、以及其他高级索引功能。
数组索引
我们可以通过索引值(从 0 开始)来访问 Ndarray 中的特定位置元素。NumPy 中的索引和 Python 对 list 索引的方式非常相似,但又有所不同。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UGUcxF96-1632539056785)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925105855821.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LFwtzEfZ-1632539056786)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925105928266.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nd0ZrvOL-1632539056787)(C:\Users\17636\AppData\Roaming\Typora\typora-user-images\image-20210925110002432.png)]
数组切片
NumPy 里面针对Ndarray
的数组切片和 Python 里的list
切片操作是一样的。其语法为:
Ndarray[start:stop:step]
[start:stop:step]` 分别代表 `[起始索引:截至索引:步长]
排序、搜索、计数
最后,再介绍几个 NumPy 针对数组元素的使用方法,分别是排序、搜索和计数。
我们可以使用 numpy.sort
方法对多维数组元素进行排序。其方法为:
numpy.sort(a, axis=-1, kind='quicksort', order=None)
其中:
a
:数组。axis
:要排序的轴。如果为None
,则在排序之前将数组铺平。默认值为-1
,沿最后一个轴排序。kind
:{'quicksort','mergesort','heapsort'}
,排序算法。默认值为quicksort
。
除了 numpy.sort
,还有这样一些对数组进行排序的方法:
numpy.lexsort(keys ,axis)
:使用多个键进行间接排序。numpy.argsort(a ,axis,kind,order)
:沿给定轴执行间接排序。numpy.msort(a)
:沿第 1 个轴排序。numpy.sort_complex(a)
:针对复数排序
搜索和计数
除了排序,我们可以通过下面这些方法对数组中元素进行搜索和计数。列举如下:
-
argmax(a ,axis,out)
:返回数组中指定轴的最大值的索引。 -
nanargmax(a ,axis)
:返回数组中指定轴的最大值的索引,忽略 NaN。 -
argmin(a ,axis,out)
:返回数组中指定轴的最小值的索引。 -
nanargmin(a ,axis)
:返回数组中指定轴的最小值的索引,忽略 NaN。 -
argwhere(a)
:返回数组中非 0 元素的索引,按元素分组。 -
nonzero(a)
:返回数组中非 0 元素的索引。 -
flatnonzero(a)
:返回数组中非 0 元素的索引,并铺平。 -
where(条件,x,y)
:根据指定条件,从指定行、列返回元素。 -
searchsorted(a,v ,side,sorter)
:查找要插入元素以维持顺序的索引。 -
extract(condition,arr)
:返回满足某些条件的数组的元素。
`,还有这样一些对数组进行排序的方法: -
numpy.lexsort(keys ,axis)
:使用多个键进行间接排序。 -
numpy.argsort(a ,axis,kind,order)
:沿给定轴执行间接排序。 -
numpy.msort(a)
:沿第 1 个轴排序。 -
numpy.sort_complex(a)
:针对复数排序
搜索和计数
除了排序,我们可以通过下面这些方法对数组中元素进行搜索和计数。列举如下:
argmax(a ,axis,out)
:返回数组中指定轴的最大值的索引。nanargmax(a ,axis)
:返回数组中指定轴的最大值的索引,忽略 NaN。argmin(a ,axis,out)
:返回数组中指定轴的最小值的索引。nanargmin(a ,axis)
:返回数组中指定轴的最小值的索引,忽略 NaN。argwhere(a)
:返回数组中非 0 元素的索引,按元素分组。nonzero(a)
:返回数组中非 0 元素的索引。flatnonzero(a)
:返回数组中非 0 元素的索引,并铺平。where(条件,x,y)
:根据指定条件,从指定行、列返回元素。searchsorted(a,v ,side,sorter)
:查找要插入元素以维持顺序的索引。extract(condition,arr)
:返回满足某些条件的数组的元素。count_nonzero(a)
:计算数组中非 0 元素的数量。