numpy的常用函数整理（机器学习，持续更新）

注

1. 下面的代码是使pyhton3.6写的，有些可能是使用python2.7写的
2. 1维数组叫矢量，2维数组叫矩阵，3维及大于3维的数组就叫多维数组了

help ，帮助

# 打印 numpy.genfromtxt 帮助文档
print (help(numpy.genfromtxt))
# 打印range 帮助文档
print(help(range))

numpy.genfromtxt，导入文件

示例

import numpy
# 读入文本文件
# "world_alcohol.txt"      == >  读入的文件
# delimiter=","            == >  文件内容之间的分割符
# dtype=str                == >  读入的文件的数据类型
# skip_header=1            == >  跳过第一行，即第一行数据不读取
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str, skip_header=1)
# 打印类型
print(type(world_alcohol))
# 打印读入的内容
print (world_alcohol)

array，创建数组（1，2维数组）

import numpy
#The numpy.array() function can take a list or list of lists as input. When we input a list, we get a one-dimensional array as a result:

vector = numpy.array([5, 10, 15, 20])

#When we input a list of lists, we get a matrix as a result:

matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
# 一维数组
print(vector)
# 二维数组
print(matrix)

结果

array，创建行列向量

Numpy中的行向量和列向量 - Suprecat的博客 - CSDN博客
https://blog.csdn.net/wintersshi/article/details/80489258

numpy.shape，看numpy数据的行列信息

	#We can use the ndarray.shape property to figure out how many elements are in the array
	vector = numpy.array([1, 2, 3, 4])
	print(vector.shape)
	#For matrices, the shape property contains a tuple with 2 elements.
	matrix = numpy.array([[5, 10, 15], [20, 25, 30]])
	print(matrix.shape)

结果

	(4,)
	(2, 3)

numpy.dtype，查看numpy数据的类型

import numpy
#Each value in a NumPy array has to have the same data type
#NumPy will automatically figure out an appropriate data type when reading in data or converting lists to arrays. 
#You can check the data type of a NumPy array using the dtype property.
numbers = numpy.array([1, 2, 3, 4])
print (numbers)
numbers.dtype

结果

[1 2 3 4]
dtype('int32')

切片读取

行/列	列0	列	1 列2
行0，行-2	5	10	15
行1，行-1	20	25	30

numpy数组切片操作
https://blog.csdn.net/whitesilence/article/details/78847914

示例一

读取数组时，1维行列的简单切片读取

• 说明
  [0:3]， 范围包括0，但是不包括3 ，共3

import numpy
vector = numpy.array([5, 10, 15, 20])
print(vector[0:3])  

结果

[ 5 10 15]

示例二

读取数组时，2维行列的简单切片读取

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
# 读取所有的行，第1列（即0，1，2行对应的第1列）的数
print(matrix[:,1])

结果

[10 25 40]

示例三

读取数组时，2维行列的简单切片读取

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
# 读取所有的行，第0，1（共0，1，2列）列的数据
print(matrix[:,0:2])

结果

[[ 5 10]
 [20 25]
 [35 40]]

示例四

读取数组时，2维行列的简单切片读取

matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
# 矩阵的行1,2，列 0 ，1（共0，1，2列）
print(matrix[1:3,0:2])

结果

[[20 25]
 [35 40]]

示例五

读取数组时，1维行列的设置

import numpy as np

A = np.arange(1, 10)
B = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 0])
print(B[1: 5])     # [2 3 4 5]
print(B[1: 5 :1])  # [2 3 4 5]
print(B[1: 5 :-1]) # []

print(B[:  3 :1]) #　[0 9]
print(B[: -3 :-1]) #　[0 9]
print(B[: -3 :1])  # [1 2 3 4 5 6 7]
print(B[3: -3 :-1]) #　[]    第一个参数：可以是0，不写，或者负数，如果是正数的话，像这里的这样子组合，会读不出数据
print(B[-2: -5 :-1]) #　[9 8 7]

结果

[2 3 4 5]
[2 3 4 5]
[]
[1 2 3]
[0 9]
[1 2 3 4 5 6 7]
[]
[9 8 7]

示例六

读取数组时，2维行列的设置

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30]

                 ])
# 第1列（即0，1，2行对应的第1列）的数
print(matrix.shape)
print(matrix[:-1])
print(matrix[0:1])
print("------------")
print(matrix[-1:])
print(matrix[1:2])

结果

(2, 3)
[[ 5 10 15]]
[[ 5 10 15]]
------------
[[20 25 30]]
[[20 25 30]]

示例七

行/列	列0	列	1 列2
行0，行-2	5	10	15
行1，行-1	20	25	30

                  [5, 10, 15], 
                  [20, 25, 30]

读取数组时，2维行列的设置

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30]

                 ])
# 第1列（即0，1，2行对应的第1列）的数
print(matrix.shape)

# 不设置列的读取，则默认读取所有的列信息

print(matrix[0:1])                # 读取第0行，
print(matrix[:-1])                # 读取第0行
print(matrix[-2:-1])
print("-----1-------")
print(matrix[1:2])
print(matrix[-1:])                
print(matrix[-1:0])
print(matrix[-1:1])



print("-----2-------")
print("------------")
print("------------")
# 设置行与列信息
print(matrix[:-1, 0:2])    
print(matrix[0:1, :2])
print("-----3-------")
print(matrix[-1:, 0:2])
print(matrix[1:2, :])

结果

(2, 3)
[[ 5 10 15]]
[[ 5 10 15]]
[[ 5 10 15]]
-----1-------
[[20 25 30]]
[[20 25 30]]
[]
[]
-----2-------
------------
------------
[[ 5 10]]
[[ 5 10]]
-----3-------
[[20 25]]
[[20 25 30]]

== , 矩阵元素等号判断

• 示例一

import numpy
#it will compare the second value to each element in the vector
# If the values are equal, the Python interpreter returns True; otherwise, it returns False
vector = numpy.array([5, 10, 15, 20])
vector == 10

结果

array([False,  True, False, False], dtype=bool)

• 示例二

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
matrix == 25

结果

array([[False, False, False],
       [False,  True, False],
       [False, False, False]], dtype=bool)

• 示例三

import numpy
# Compares vector to the value 10, which generates a new Boolean vector [False, True, False, False]. It assigns this result to equal_to_ten
# 生成矩阵向量
vector = numpy.array([5, 10, 15, 20])
# 与 10 相等 进行布尔运算
equal_to_ten = (vector == 10)
print equal_to_ten
# 得到原来的数据
print(vector[equal_to_ten])

结果

[False  True False False]
[10]

• 示例四

import numpy
matrix = numpy.array([
                [5, 10, 15],
                [20, 25, 30],
                [35, 40, 45]
             ])
# 对所有行的第1列与  25 进行相等布尔运算
second_column_25 = (matrix[:,1] == 25)
# 布尔运算的结果
print(second_column_25)
# 还原   原来     的列
print(matrix[:, second_column_25])
# 将布尔结果对  行   进行求数
print(matrix[second_column_25, :])

结果

[False  True False]
[[10]
 [25]
 [40]]
[[20 25 30]]

• 示例五，对二维矩阵中的数一个指定的数据进行修改

import numpy

matrix = numpy.array([
    [5, 10, 15],
    [20, 25, 30],
    [35, 40, 45]
])
# 所有行的第1列（共0，1，2列）的数据与25进行布尔运算
second_column_25 = matrix[:, 1] == 25
print(second_column_25)
# 数据第1行第一列（共0，1，2列），25 ===> 10
matrix[second_column_25, 1] = 10
print(matrix)

结果

[False  True False]
[[ 5 10 15]
 [20 10 30]
 [35 40 45]]

&，与操作

import numpy
#We can also perform comparisons with multiple conditions
vector = numpy.array([5, 10, 15, 20])
# 与10进行布尔运算
print(vector == 10)
# 与 5进行布尔运算
print(vector == 5)
# 与操作
equal_to_ten_and_five = (vector == 10) & (vector == 5)
print(equal_to_ten_and_five)

结果

[False  True False False]
[ True False False False]
[False False False False]

|，或操作

• 示列一

import numpy
vector = numpy.array([5, 10, 15, 20])
# 与10进行布尔运算
print(vector == 10)
# 与 5进行布尔运算
print(vector == 5)
# 或操作
equal_to_ten_and_five = (vector == 10) | (vector == 5)
print(equal_to_ten_and_five)

结果

[False  True False False]
[ True False False False]
[ True  True False False]

• 示例二

import numpy
vector = numpy.array([5, 10, 15, 20])
# 与10进行布尔运算
print(vector == 10)
# 与 5进行布尔运算
print(vector == 5)
# 或操作
equal_to_ten_or_five = (vector == 10) | (vector == 5)
# 或操作后的数据进行修改
# 5, 10 ==> 50
vector[equal_to_ten_or_five] = 50
print(vector)

结果

[False  True False False]
[ True False False False]
[50 50 15 20]

字符串 ==> 数据类型

import numpy

# We can convert the data type of an array with the ndarray.astype() method.
vector = numpy.array(["1", "2", "3"])
# 原来的类型
print(vector.dtype)
print(vector)
# 字符串 ==> 数据类型
vector = vector.astype(float)
# 现在的类型
print(vector.dtype)
print(vector)

结果

<U1
['1' '2' '3']
float64
[1. 2. 3.]

min，最小值

import numpy

vector = numpy.array([5, 10, 15, 20])
vector.min()
print (vector.min())

结果

5

sum

• 说明
  axis=1，每一行求和
  axis=0，每一列求和

• 示例一

import numpy

# The axis dictates which dimension we perform the operation on
#1 means that we want to perform the operation on each row, and 0 means on each column
matrix = numpy.array([
                [5, 10, 15],
                [20, 25, 30],
                [35, 40, 45]
             ])
print(matrix.sum(axis=1))

结果

[ 30  75 120]

• 示例二

import numpy

matrix = numpy.array([
                [5, 10, 15],
                [20, 25, 30],
                [35, 40, 45]
             ])
print(matrix.sum(axis=0))

结果

[60 75 90]

shape，arange，reshape

• shape， 查看维度信息

• arange，生成一组向量

• reshape，对一组向量修改成新一矩阵分布

• 示例一，shape

import numpy as np

a =  np.array([
 [6., 9., 1., 5.],
 [3., 6., 4., 0.],
 [3., 9., 5., 7.]
    ])
print("a\n", a)
print("a.shape\n", a.shape)
a.shape = (2,6)
print("a.shape = (2,6)\n", a)
a.shape = (1,12)
print("a.shape = (1,12)\n", a)

结果

a
 [[6. 9. 1. 5.]
 [3. 6. 4. 0.]
 [3. 9. 5. 7.]]
a.shape
 (3, 4)
a.shape = (2,6)
 [[6. 9. 1. 5. 3. 6.]
 [4. 0. 3. 9. 5. 7.]]
a.shape = (1,12)
 [[6. 9. 1. 5. 3. 6. 4. 0. 3. 9. 5. 7.]]

• 示例二，arange

import numpy as np

# 生成 10 到 30 之间的数据，不包括30，间距为5的数据
print(np.arange( 10, 30, 5 ))
# 生成 10 到 11 之间的数据，不包括11，间距为0.2的数据
print(np.arange( 10, 11, 0.2))

结果

[10 15 20 25]
[10.  10.2 10.4 10.6 10.8]

• 示例三，shape，reshape

import numpy as np

# 生成一组向量
# To create sequences of numbers
print(np.arange(15))
# 查看矩阵的信息
print(np.arange(15).shape)
# 修改成新3行5列的矩阵数据
a = np.arange(15).reshape(3, 5)
print(a)
# 查看矩阵的信息
print(a.shape)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
(15,)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
(3, 5)

ndim

• 说明: 用来查看矩阵的维度信息，1维，2维等

import numpy as np

# 生成一组向量
print(np.arange(15))
# 查看矩阵的维度信息
print(np.arange(15).ndim)
# 修改成新3行5列的矩阵数据
a = np.arange(15).reshape(3, 5)
print(a)
# 查看矩阵的维度信息
print(a.ndim)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
1
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
2

size，查看矩阵的元素多少

import numpy as np

# 生成一组向量
print(np.arange(15))
# 查看矩阵的信息
print(np.arange(15).dtype)
print(np.arange(15).dtype.name)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
int32
int32

import numpy as np

# 生成一组向量
print(np.arange(15))
# 查看矩阵总共有多少元素
print(np.arange(15).size)
# 修改成新3行5列的矩阵数据
a = np.arange(15).reshape(3, 5)
print(a)
# 查看矩阵总共有多少元素
print(a.size)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
15
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
15

？？zeros，生成0矩阵

• 说明：生成的0矩阵是一个float64类型的，注意到0后面有一个小数点

生成1行2列的向量矩阵

import numpy as np
print(np.zeros(2))
print(np.zeros(2).shape)
print(np.zeros((1,2)) )
print(np.zeros((1,2)).shape )

结果

[0. 0.]
(2,)           ？？？
[[0. 0.]]
(1, 2)     ？？？

import numpy as np
# 3行4列
print(np.zeros ((3,4)) )
print(np.zeros ((3,4)).dtype )

结果

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
float64

ones，生成单位矩阵

• 说明

numpy.ones(shape, dtype=None, order='C')
Parameters:	
# 形状
shape : int or sequence of ints
Shape of the new array, e.g., (2, 3) or 2.
# 数据类型
dtype : data-type, optional
The desired data-type for the array, e.g., numpy.int8. Default is numpy.float64.
# 存储順序
order : {‘C’, ‘F’}, optional, default: C
Whether to store multi-dimensional data in row-major (C-style) or column-major (Fortran-style) order in memory.
Returns:	
out : ndarray
Array of ones with the given shape, dtype, and order.

示例一

import numpy as np

# 生成float64类型
print(np.ones(5))

结果

[1. 1. 1. 1. 1.]

示例二

import numpy as np

# 生成 int 类型
print(np.ones((5,), dtype=int))

结果

[1, 1, 1, 1, 1]

示例三

import numpy as np

# 生成2行3列的float64类型数据
s = (2,3)
print( np.ones(s))

结果

[[1. 1. 1.]
 [1. 1. 1.]]

示例四

• 说明
  np.ones(2,3,4)含义：2个3X4矩阵，所有元素为1
  又如，np.ones(4,5,3)含义：4个5X3矩阵，所有元素为1
  ==> np.ones(a,b,c):a个b*c矩阵

import numpy as np

print(np.ones( (2,3,4), dtype=np.int32 ))

结果

[[[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]

 [[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]]

• 扩展阅读

numpy 中ones，zeros函数 - mmr598146920的专栏 - CSDN博客
https://blog.csdn.net/mmr598146920/article/details/80539733

random

import numpy as np

# 2行3列随机数
print(np.random.random((2, 3)))

结果

[[0.69509627 0.04046586 0.26786661]
 [0.44120144 0.05091389 0.44784084]]

randint

import numpy as np
# 1 数字的开始，包括；
# 10，数字的结束，不包括
# 4 , 在[1，10）的区间上生成4个整数
print(np.random.randint(1,10,4))		

结果

[1 1 1 5]

linspace, 在指定范围内等间距生成指定的数据个数

import numpy as np
from numpy import pi

# 在 0 到时 2*pi 区间（不包括右端点 2*pi）内，等间距生成 5 个数据
print(np.linspace( 0, 2*pi, 5 ))

结果

[0.         1.57079633 3.14159265 4.71238898 6.28318531]

sin, 对矩阵中的数据求三角函数sin值

import numpy as np
from numpy import pi

# 求三角函数sin值
print(np.sin(np.linspace( 0, 2*pi, 5 )))

结果

[ 0.0000000e+00  1.0000000e+00  1.2246468e-16 -1.0000000e+00
 -2.4492936e-16]

矩阵的减-，平方**，范围判断<

import numpy as np

# the product operator * operates elementwise in NumPy arrays
a = np.array([20, 30, 40, 50])
b = np.arange(4)
print("a:", a)
print("b", b)

# 矩阵相减
c = a - b
print("c = a - b", c)
# 矩阵减1
c = c - 1
print("c = c - 1", c)
# 矩阵中的每一个元素的平方
print("b ** 2", b ** 2)
# 范围判断
print("a < 35", a < 35)

结果

a: [20 30 40 50]
b [0 1 2 3]
c = a - b [20 29 38 47]
c = c - 1 [19 28 37 46]
b ** 2 [0 1 4 9]
a < 35 [ True  True False False]

A * B，矩阵之间对应元素相乘

import numpy as np

A = np.array([[1, 1],
              [0, 1]])
B = np.array([[2, 0],
              [3, 4]])
print('---A----')
print(A)
print('---B----')
print(B)
# 矩阵之间对应元素相乘
print('---A * B----')
print(A * B)

结果

---A----
[[1 1]
 [0 1]]
---B----
[[2 0]
 [3 4]]
---A * B----
[[2 0]
 [0 4]]

A.dot(B),np.dot(A, B))，矩阵相乘

import numpy as np

# The matrix product can be performed using the dot function or method
A = np.array([[1, 1],
              [0, 1]])
B = np.array([[2, 0],
              [3, 4]])
print('---A----')
print(A)
print('---B----')
print(B)
print('---A * B----')
print(A * B)
# 矩阵相乘
print('---A.dot(B)----')
print(A.dot(B))
# 矩阵相乘
print('---np.dot(A, B)----')
print(np.dot(A, B))

结果

---A----
[[1 1]
 [0 1]]
---B----
[[2 0]
 [3 4]]
---A.dot(B)----
[[5 4]
 [3 4]]
---np.dot(A, B)----
[[5 4]
 [3 4]]

exp，自然指数e

import numpy as np

B = np.arange(3)
print(B)
# 求自然指数e的次幂，B中的元素为e每一幂次方
print(np.exp(B))

结果

[0 1 2]
[1.         2.71828183 7.3890561 ]

sqrt，开方运算

import numpy as np

B = np.arange(3)
print(B)
# 对B中的每一个元素求根号，即1/2次幂
print(np.sqrt(B))

结果

[0 1 2]
[0.         1.         1.41421356]

floor，向下取整

示例一

import numpy as np

a = np.array([-1.7, -1.5, -0.2, 0.2, 1.5, 1.7, 2.0])
np.floor(a)

结果

[-2., -2., -1.,  0.,  1.,  1.,  2.]

示例二

import numpy as np

# Return the floor of the input
a = 10 * np.random.random((3, 4))
print(a)
a = np.floor(a)
print(a)

结果

[[6.6143481  9.9613796  1.30947854 5.6078685 ]
 [3.10948678 6.83076618 4.92651686 0.15127964]
 [3.3036663  9.44427669 5.25021126 7.66229507]]
[[6. 9. 1. 5.]
 [3. 6. 4. 0.]
 [3. 9. 5. 7.]]

ravel，水平铺开矩阵

• 说明
  2维矩阵 ==> 1维向量，水平方向进行转化

import numpy as np

# Return the floor of the input
a = 10 * np.random.random((3, 4))
print(a)
a = np.floor(a)
print(a)
print('--------')
# 2维矩阵 ==>   1维向量，水平方向进行转化
# flatten the array
print(a.ravel() )

结果

[[6.6143481  9.9613796  1.30947854 5.6078685 ]
 [3.10948678 6.83076618 4.92651686 0.15127964]
 [3.3036663  9.44427669 5.25021126 7.66229507]]
[[6. 9. 1. 5.]
 [3. 6. 4. 0.]
 [3. 9. 5. 7.]]
--------
[6. 9. 1. 5. 3. 6. 4. 0. 3. 9. 5. 7.]

矩阵的转置

T转置方式

• 说明
  在这种方式下，行向量无法直接转化为列向量
  具体的转化方式见：

[numpy] np.newaxis 如何将行向量转换成列向量 - doufuxixi的博客 - CSDN博客
https://blog.csdn.net/doufuxixi/article/details/80356946

import numpy as np

# Return the floor of the input
a = 10 * np.random.random((3, 4))
print(a)
# 向下取整
a = np.floor(a)
print("a = np.floor(a)")
print(a)
# a 的转置
print("--------a.T")
print(a.T)

print('--------b = a.ravel()')
# a 水平方向铺平
b = a.ravel()
print(b)

# b 的转置
print('--------b.T')
print(b.T)

结果

[[6.8977933  6.5823566  2.70240107 4.48524208]
 [0.96507135 4.58781425 6.2868975  7.39792458]
 [6.18095442 4.62072618 5.73384294 8.45966937]]
a = np.floor(a)
[[6. 6. 2. 4.]
 [0. 4. 6. 7.]
 [6. 4. 5. 8.]]
--------a.T
[[6. 0. 6.]
 [6. 4. 4.]
 [2. 6. 5.]
 [4. 7. 8.]]
--------b = a.ravel()
[6. 6. 2. 4. 0. 4. 6. 7. 6. 4. 5. 8.]
--------b.T
[6. 6. 2. 4. 0. 4. 6. 7. 6. 4. 5. 8.]

transpose

numpy之转置（transpose）和轴对换 - 我的前进日志 - 博客园
https://www.cnblogs.com/sunshinewang/p/6893503.html
(1条消息)np.transpose - 爱妃的博客 - CSDN博客
https://blog.csdn.net/xiongchengluo1129/article/details/79017142

vstack，按照列的方向拼接两个矩阵

import numpy as np

a = np.floor(10 * np.random.random((2, 2)))
b = np.floor(10 * np.random.random((2, 2)))
print('---a')
print(a)
print('---b')
print(b)
print('---np.vstack((a, b)')
print(np.vstack((a, b)))

结果

---a
[[4. 3.]
 [8. 6.]]
---b
[[8. 2.]
 [6. 0.]]
---np.vstack((a, b)
[[4. 3.]
 [8. 6.]
 [8. 2.]
 [6. 0.]]

hstack，按照行的方向拼接两个矩阵

import numpy as np

a = np.floor(10 * np.random.random((2, 2)))
b = np.floor(10 * np.random.random((2, 2)))
print('---a')
print(a)
print('---b')
print(b)
print('---np.hstack((a, b)')
print(np.hstack((a, b)))

结果

---a
[[1. 9.]
 [3. 6.]]
---b
[[9. 6.]
 [5. 0.]]
---np.hstack((a, b)
[[1. 9. 9. 6.]
 [3. 6. 5. 0.]]

concatenate

沿着给定的(axis=0 by default)axis拼接列表

参数：
a1,a2,… : 相同shape的一系列数组
axis : 数组将要连接的axis,默认为0（0代表的是列方向，1代表的是行的方向）

• axis = None

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
print( np.concatenate((a, b), axis=None) )

结果

 array([1, 2, 3, 4, 5, 6])

• axis = 0

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
print( np.concatenate((a, b), axis=0) )

结果

array([[1, 2],
       [3, 4],
       [5, 6]])

• axis =1

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
print( np.concatenate((a, b.T), axis=1))

结果

[[1 2 5]
 [3 4 6]]

hsplit，垂直方向上等数量分割矩阵数据

import numpy as np

x = np.arange(16.0).reshape(2, 8)
print(x)
# 等个数分割为2份
print(np.hsplit(x, 2))
# 等个数分割为4份
print(np.hsplit(x, 4))

结果

[[ 0.  1.  2.  3.  4.  5.  6.  7.]
 [ 8.  9. 10. 11. 12. 13. 14. 15.]]
[array([[ 0.,  1.,  2.,  3.],
       [ 8.,  9., 10., 11.]]), array([[ 4.,  5.,  6.,  7.],
       [12., 13., 14., 15.]])]
[array([[0., 1.],
       [8., 9.]]), array([[ 2.,  3.],
       [10., 11.]]), array([[ 4.,  5.],
       [12., 13.]]), array([[ 6.,  7.],
       [14., 15.]])]

结果( 重新排版后)

[[ 0.  1.  2.  3.  4.  5.  6.  7.]
 [ 8.  9. 10. 11. 12. 13. 14. 15.]]
 
[array([[ 0.,  1.,  2.,  3.],
        [ 8.,  9., 10., 11.]]), 
 array([[ 4.,  5.,  6.,  7.],
	    [12., 13., 14., 15.]])]

[array([[0., 1.],
  	    [8., 9.]]),
 array([[ 2.,  3.],
 	    [10., 11.]]),
 array([[ 4.,  5.],
	    [12., 13.]]), 
array([[ 6.,  7.],
	    [14., 15.]])]

vsplit，水平方向上等数量分割矩阵数据

import numpy as np

x = np.arange(16.0).reshape(8, 2)
print(x)
# 等数量分割为2份
print(np.vsplit(x, 2))
# 等数量分割为4份
print(np.vsplit(x, 4))

结果

[[ 0.  1.]
 [ 2.  3.]
 [ 4.  5.]
 [ 6.  7.]
 [ 8.  9.]
 [10. 11.]
 [12. 13.]
 [14. 15.]]
[array([[0., 1.],
       [2., 3.],
       [4., 5.],
       [6., 7.]]), array([[ 8.,  9.],
       [10., 11.],
       [12., 13.],
       [14., 15.]])]
[array([[0., 1.],
       [2., 3.]]), array([[4., 5.],
       [6., 7.]]), array([[ 8.,  9.],
       [10., 11.]]), array([[12., 13.],
       [14., 15.]])]

结果( 重新排版后)

[[ 0.  1.]
 [ 2.  3.]
 [ 4.  5.]
 [ 6.  7.]
 [ 8.  9.]
 [10. 11.]
 [12. 13.]
 [14. 15.]]
 
[array([
	   [0., 1.],
       [2., 3.],
       [4., 5.],
       [6., 7.]]), 
      
array([
       [ 8.,  9.],
       [10., 11.],
       [12., 13.],
       [14., 15.]])]

[array([[0., 1.],
   	    [2., 3.]]),
  array([[4., 5.],
 	     [6., 7.]]), 
  array([[ 8.,  9.],
         [10., 11.]]),
  array([[12., 13.],
         [14., 15.]])]

a=b，复制

• 说明

复制就是使用“=”。使用“=”的时候，实际上是传递的是对象的引用，当对象发生修改的时候，复制体也会发生同等的改变，无论何种改变。

import numpy as np

#Simple assignments make no copy of array objects or of their data.
a = np.arange(12)
b = a
# a and b are two names for the same ndarray object
print (b is a)
# b的形状改变，a也跟着改变
b.shape = 3,4
print (a.shape)
print (id(a))
print (id(b))

结果

True
(3, 4)
1974659569504
1974659569504

view，浅复制

• 说明

view相当于传引用，view和原始数据共享一份数据，修改一个会影响另一个。

import numpy as np

a = np.arange(12)
# The view method creates a new array object that looks at the same data.
c = a.view()
# 判断c a 是否共用一个内存id
print("c is a")
print(c is a)

#  查看a，c 的id
print("id(a)")
print(id(a))
print("id(c)")
print(id(c))

# 对c 的形状进行修改
c.shape = 2, 6
# a的形状不发生改变
print("a.shape")
print(a.shape)
print("c.shape")
print(c.shape)

# 对c 的元素进行修改，a中的对应位置的元素也跟着修改
c[0, 4] = 1234
print(a)
print("a")
print(c)
print("c")

结果

c is a
False
id(a)
34629952
id(c)
36175504
a.shape
(12,)
c.shape
(2, 6)
[   0    1    2    3 1234    5    6    7    8    9   10   11]
a
[[   0    1    2    3 1234    5]
 [   6    7    8    9   10   11]]
c

• 拓展阅读

numpy中的copy和view - 大泽之国 - CSDN博客
https://blog.csdn.net/z0n1l2/article/details/83116775

copy，深拷贝

• 说明
  将对象中的所有的元素全都拷贝，拷贝后，两者这件的独立的，互不影响

import numpy as np
a = np.arange(12)
#The copy method makes a complete copy of the array and its data.
# 完全拷贝
d = a.copy() 
print (d is a) 
# 修改d 中的元素
d[0] = 9999
print (d) 
print (a)

结果

[9999    1    2    3    4    5    6    7    8    9   10   11]
[ 0  1  2  3  4  5  6  7  8  9 10 11]

• 拓展阅读

numpy中的copy和view - 大泽之国 - CSDN博客
https://blog.csdn.net/z0n1l2/article/details/83116775
python复制，浅拷贝，深拷贝理解 - Young的博客 - CSDN博客
https://blog.csdn.net/dearyangjie/article/details/71533615
Python中复制，浅拷贝，深拷贝的区别详解 - H845165367的博客 - CSDN博客
https://blog.csdn.net/H845165367/article/details/79687387

argmax，垂直方向上找出最大值的索引

• 说明
  垂直方向上，找出最大值的位置
  如果某一列中，有两个元素是相同的大小，那么就取靠前的数值的索引

import numpy as np

# data = 100*np.sin(np.arange(20)).reshape(5, 4)
# data = np.floor(data)
# 5行4列
data = np.array(
[[   0.,   84.,   90.,   14.,],
 [ -76.,  -96.,  -28.,   65.,],
 [  98.,   41.,  -55., -100.,],
 [ -54.,   42.,   99.,   65.,],
 [ -29.,  -97.,  -76.,   14.,]]
)
print("data")
print(data)
# 垂直方向上，找出最大值的位置
# 结果：[2 0 3 1]，分别对应第0列的第2个，第1列的第0个，第2列的3个，第3列的第1个（这里是与第3个等值，故取靠前的数值）
ind = data.argmax(axis=0)
print("ind")
print(ind)
# 在1行中，还原最大值的数据
data_max = data[ind, range(data.shape[1])]
print("data_max")
print(data_max)

结果

data
[[   0.   84.   90.   14.]
 [ -76.  -96.  -28.   65.]
 [  98.   41.  -55. -100.]
 [ -54.   42.   99.   65.]
 [ -29.  -97.  -76.   14.]]
ind
[2 0 3 1]
data_max
[98. 84. 99. 65.]

tile，重复数据

import numpy as np

a = np.arange(0, 40, 10)
print(a)
# 对a中的数据进行重复，以a为单位生成新的4行3列的矩阵
# 由于a是1行4列的数据，因此最终生成 4*3 =12列数据
b = np.tile(a, (4, 3))
print(b)
print(b.shape)

结果

[ 0 10 20 30]
[[ 0 10 20 30  0 10 20 30  0 10 20 30]
 [ 0 10 20 30  0 10 20 30  0 10 20 30]
 [ 0 10 20 30  0 10 20 30  0 10 20 30]
 [ 0 10 20 30  0 10 20 30  0 10 20 30]]
(4, 12)

sort，按顺序排列数据

• 说明
  axis=0，垂直排列数据，从小到大
  axis=1，水平排列数据，从小到大

示例一，axis=1

import numpy as np

a = np.array([[4, 3, 5], [1, 2, 1]])
print(a)
# 方式一
print('方式一--------b = np.sort(a, axis=1)')
b = np.sort(a, axis=1)
print(b)
print('--------a')
print(a)
# 方式二
print('方式二--------a.sort(axis=1)')
a.sort(axis=1)
print(a)

结果

[[4 3 5]
 [1 2 1]]
方式一--------b = np.sort(a, axis=1)
[[3 4 5]
 [1 1 2]]
--------a
[[4 3 5]
 [1 2 1]]
方式二--------a.sort(axis=1)
[[3 4 5]
 [1 1 2]]

示例二，axis=0

import numpy as np

a = np.array([[4, 3, 5], [1, 2, 1]])
print(a)
# 方式一
print('方式一--------b = np.sort(a, axis=0)')
b = np.sort(a, axis=0)
print(b)
print('--------a')
print(a)
# 方式二
print('方式二--------a.sort(axis=0)')
a.sort(axis=0)
print(a)

结果

[[4 3 5]
 [1 2 1]]
方式一--------b = np.sort(a, axis=0)
[[1 2 1]
 [4 3 5]]
--------a
[[4 3 5]
 [1 2 1]]
方式二--------a.sort(axis=0)
[[1 2 1]
 [4 3 5]]

argsort()函数是将x中的元素从小到大排列，提取其对应的index(索引)，然后输出到y

argsort，向量中元素从小到大排列

• 说明
  argsort()函数是将a中的元素从小到大排列（对应下面程序[4, 3, 1, 2]），提取其对应的index(索引)，然后输出到j

import numpy as np

a = np.array([4, 3, 1, 2])
j = np.argsort(a)
print('--------')
print(j)
print('--------')
print(a[j])

结果

--------
[2 3 1 0]
--------
[1 2 3 4]

argsort，向量中元素从大到小排列

import numpy as np

a = np.array([4, 3, 1, 2])
j = np.argsort(a)
j_reversal = j[-1:-6:-1]
# 从小到大
print('----从小到大----')
print(j)
print('--------')
print(a[j])
# 从大到小
print('----从大到小----')
print(j_reversal)
print('--------')
print(a[j_reversal])

结果

----从小到大----
[2 3 1 0]
--------
[1 2 3 4]
----从大到小----
[0 1 3 2]
--------
[4 3 2 1]

argsort，从小到大与从大到小排列

 import numpy as np
    x = np.array([3, 1, 2])
    print(f"x:  {x}")
    print(''.center(60, '-'))
    print("从小到大索引：  ", np.argsort(x) )        # 按升序排列
    # array([1, 2, 0])
    print("按升序排列: x[np.argsort(x):\n\t\t\t\t", x[np.argsort(x)])
    print(''.center(60, '-'))
    print("从大到小索引：  ", np.argsort(-x)  )     # 按降序排列
    print("按降序排列:np.argsort(-x):\n\t\t\t\t", x[np.argsort(-x)])

结果

x:  [3 1 2]
------------------------------------------------------------
从小到大索引：   [1 2 0]
按升序排列: x[np.argsort(x):
				 [1 2 3]
------------------------------------------------------------
从大到小索引：   [0 2 1]
按降序排列:np.argsort(-x):
				 [3 2 1]

Process finished with exit code 0

insert ，插入数据

• 说明

numpy.insert(arr, obj, values, axis)

numpy.insert 函数在给定索引之前，沿给定轴在输入数组中插入值。
如果值的类型转换为要插入，则它与输入数组不同。 插入没有原地的，函数会返回一个新数组。 此外，如果未提供轴，则输入数组会被展开。

arr： 输入数组
obj： 在其之前插入值的索引
values： 要插入的值
axis： 沿着它插入的轴，如果未提供，则输入数组会被展开

• 参考资料

http://www.runoob.com/numpy/numpy-array-manipulation.html

import numpy as np
 
a = np.array([[1,2],[3,4],[5,6]])
 
print ('第一个数组：')
print (a)
print ('\n')
 
print ('未传递 Axis 参数。 在插入之前输入数组会被展开。')
print (np.insert(a,3,[11,12]))
print ('\n')
print ('传递了 Axis 参数。 会广播值数组来配输入数组。')
 
print ('沿轴 0 广播：')
print (np.insert(a,1,[11],axis = 0))
print ('\n')
 
print ('沿轴 1 广播：')
print (np.insert(a,1,11,axis = 1))

结果

第一个数组：
[[1 2]
 [3 4]
 [5 6]]


未传递 Axis 参数。 在插入之前输入数组会被展开。
[ 1  2  3 11 12  4  5  6]


传递了 Axis 参数。 会广播值数组来配输入数组。
沿轴 0 广播：
[[ 1  2]
 [11 11]
 [ 3  4]
 [ 5  6]]


沿轴 1 广播：
[[ 1 11  2]
 [ 3 11  4]
 [ 5 11  6]]

loadtxt

def loadtxt(fname, dtype=float, comments=’#’, delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0)

Returns:　 str or recarray or tuple or list

返回： 　字符串，recarray,元组，列表

从文本文件中导入数据 ，文本文件中的每一行必须具有相同数量的值。

• 参数：
  fname : 　文件或字符串
  机读的文件，文件名 . 如果文件的扩展名是 .gz or .bz2,这个文件首先要解压缩。 Note that generators should return byte strings for Python 3k.
  dtype :　数据类型
  生成数据的数据类型，默认是浮点数。如果是记录类型，将返回1维数组，文本文件中的每一行都是数组的一个元素，文本文件的列数必须匹配记录类型的字段数。
  
  comments :　 str, optional
  用于指示注释开头的字符，默认值为 : ‘#’.
  
  delimiter : 　 str, optional
  用于分隔值的字符，缺省值为任何空白字符，如空格 ，制表符
  
  converters :　 dict, optional 字典
  这是一个字典 ，用来定义将对应的列转换为浮点数的函数。列入：0列是日期字符串：“converters={0:datestr2num}”.convertes 同时也能够为丢失的数据设置缺省值：“convertes={3:lambda s:float(s.strip() or 0)}”。缺省None.
  
  skiprows : int, optional 整数
  
  跳过开头的 skiprows 行数 ;缺省值：0
  
  usecols : sequence, optional（队列）
  确定那几列被读取。从0开始。例：“usecols=(1,4,5)” ，将读取第2列，5列和第6列。缺省值为none，读取所有的列。
  
  unpack : bool, optional（布尔）
  如果是True，返回的数组将被转置，以便可以使用`x，y，z=loadtxt(…)‘’解压参数。当与记录数据类型一起使用时，每个字段都返回数组。默认是False
  
  ndmin : int, optional （整数）
  返回的数组将至少具有“ndmin”维度。否则，mono-dimensional axes will be squeezed。合法值：0(默认)、1或2。
  

• 返回
  out : ndarray
  从文本文件读入数据

• See Also
  load, fromstring, fromregex
  genfromtxt : Load data with missing values handled as specified.
  scipy.io.loadmat : reads MATLAB data files

• 注意
  这个函数的目标是快速读取简单格式化的文件。“genfromtxt”函数提供了更复杂的处理方法，例如，缺少值的行。

(1条消息)numpy loadtxt函数学习笔记 - 李啸林的专栏 - CSDN博客
https://blog.csdn.net/zjyklwg/article/details/79527315
numpy中loadtxt 的用法 - ChangChun_He - 博客园
https://www.cnblogs.com/hecc/p/8480532.html

np.random.normal()

从np.random.normal()到正态分布的拟合 - Zhang’s Wikipedia - CSDN博客
https://blog.csdn.net/lanchunhui/article/details/50163669

squeeze 把shape中为1的维度去掉

---

• 说明
  从数组的形状中删除单维度条目，即把shape中为1的维度去掉

numpy.squeeze(a,axis = None)
1）a表示输入的数组；
2）axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错；axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空，则删除所有单维度的条目；
3）返回值：数组
4) 不会修改原数组；

• 示例

>>> a = e.reshape(1,1,10)
>>> a
array([[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]])
>>> np.squeeze(a)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

如果觉得总结的还可以，记得送个赞(っ•̀ω•́)っ✎⁾⁾ 我爱学习