网易云课堂:
https://study.163.com/course/courseMain.htm?courseId=1003240004
莫烦主页:
https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/
import numpy as np
array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵
print(array)
print('number of dim:',array.ndim) # 维度
print('shape :',array.shape) # 行数和列数
print('size:',array.size) # 元素个数
import numpy as np
# array:创建数组
# dtype:指定数据类型
# zeros:创建数据全为0
# ones:创建数据全为1
# empty:创建数据接近0
# arrange:按指定范围创建数据
# linspace:创建线段
# a = np.array([2,23,4]) # list 1d
# print(a)
# a = np.array([2,23,4],dtype=np.int)
# # a = np.array([2,23,4],dtype=np.int16)
# # a = np.array([2,23,4],dtype=np.int32)
# # a = np.array([2,23,4],dtype=np.int64)
# print(a.dtype)
# a = np.array([2,23,4],dtype=np.float)
# # a = np.array([2,23,4],dtype=np.float32)
# # a = np.array([2,23,4],dtype=np.float64)
# print(a.dtype)
# a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列
# print(a)
# a = np.zeros((3,4)) # 数据全为0,3行4列
# print(a)
# a = np.ones((3,4),dtype = np.int) # 数据为1,3行4列
# print(a)
# a = np.empty((3,4)) # 数据为empty,3行4列
# #创建全空数组, 其实每个值都是接近于零的数:
# print(a)
# a = np.arange(10,20,2) # 10-19 的数据,2步长
# print(a)
# a = np.arange(12).reshape((3,4)) # 3行4列,0到11
# print(a)
# #用 linspace 创建线段型数据:
# a = np.linspace(1,10,20) # 开始端1,结束端10,且分割成20个数据,生成线段
# print(a)
a = np.linspace(1,10,20).reshape((5,4)) # 更改shape
print(a)
import numpy as np
# a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
# b=np.arange(4) # array([0, 1, 2, 3])
# c=a-b # array([10, 19, 28, 37])
# c=a+b # array([10, 21, 32, 43])
# c=a*b # array([ 0, 20, 60, 120]) #对应位置的数字相乘,不是真正的矩阵乘法
# c=b**2 # array([0, 1, 4, 9]) 求各位置数字的平方,同理可求n次方
# c=10*np.sin(a)
# # array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
# print(b<3)
# # array([ True, True, True, False], dtype=bool) 判断b中各元素与3的大小
# a=np.array([[1,1],[0,1]])
# b=np.arange(4).reshape((2,2))
# print(a)
# # array([[1, 1],
# # [0, 1]])
# print(b)
# # array([[0, 1],
# # [2, 3]])
# c_dot = np.dot(a,b) #这是真正的矩阵乘法
# # array([[2, 4],
# # [2, 3]])
# c_dot_2 = a.dot(b) #这是矩阵乘法的另一种表示
# # array([[2, 4],
# # [2, 3]])
a=np.random.random((2,4))
# print(a)
# array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ],
# [ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
# np.sum(a) # 4.4043622002745959 对a中各个位置求和
# np.min(a) # 0.23651223533671784 对a中各个位置求min
# np.max(a) # 0.90438450240606416 对a中各个位置求max
#如果你需要对行或者列进行查找运算,就需要在上述代码中为 axis 进行赋值。
#当axis的值为0的时候,将会以列作为查找单元, 当axis的值为1的时候,将会以行作为查找单元。
print("a =",a)
# a = [[ 0.23651224 0.41900661 0.84869417 0.46456022]
# [ 0.60771087 0.9043845 0.36603285 0.55746074]]
print("sum =",np.sum(a,axis=1)) #对每行求和
# sum = [ 1.96877324 2.43558896]
print("min =",np.min(a,axis=0)) #对每列求min
# min = [ 0.23651224 0.41900661 0.36603285 0.46456022]
print("max =",np.max(a,axis=1)) #对每行求max
# max = [ 0.84869417 0.9043845 ]
import numpy as np
A = np.arange(2,14).reshape((3,4))
# array([[ 2, 3, 4, 5]
# [ 6, 7, 8, 9]
# [10,11,12,13]])
# print(np.argmin(A)) # 0 求A中最小值的位置参数,即第0个数字
# print(np.argmax(A)) # 11 求A中最大值的位置参数,即第11个数字
# print(np.mean(A)) # 7.5 求A中所有元素的均值
# print(np.average(A)) # 7.5
# print(A.mean()) # 7.5 这三种方式的作用是一样的
# print(A.median()) # 7.5 同样的,我们可以写出求解中位数的函数
# # 显示错误:AttributeError: 'numpy.ndarray' object has no attribute 'median'
# # 通过dir(A)查看,A 还真没有median这个属性,但是视频里可以运行,可能是版本问题
# from numpy import *
# print(median(A)) #可以这样实现
# print(np.cumsum(A))
# #累加函数。在cumsum()函数中:生成的每一项矩阵元素均是从原矩阵首项累加到对应项的元素之和。
# # [2 5 9 14 20 27 35 44 54 65 77 90]
# #相应的有累差运算函数:该函数计算的便是每一行中后一项与前一项之差。
# #故一个3行4列矩阵通过函数计算得到的矩阵便是3行3列的矩阵。
# print(np.diff(A))
# # [[1 1 1]
# # [1 1 1]
# # [1 1 1]]
# print(np.nonzero(A)) #求A中非0元素的位置
# #这个函数将所有非零元素的行与列坐标分割开,重构成两个分别关于行和列的矩阵。
# # (array([0,0,0,0,1,1,1,1,2,2,2,2]),array([0,1,2,3,0,1,2,3,0,1,2,3]))
# #上面结果中,第一个array是行坐标(如第一个数字是0),第二个array是列坐标(如第一个数字是0)
# #这就表示A中位置第0行第0列的元素是nonzero
# #同样的,我们可以对所有元素进行仿照列表一样的排序操作
# A = np.arange(14,2, -1).reshape((3,4))
# # array([[14, 13, 12, 11],
# # [10, 9, 8, 7],
# # [ 6, 5, 4, 3]])
# print(np.sort(A)) #但这里的排序函数仍然仅针对每一行进行从小到大排序操作:
# # array([[11,12,13,14]
# # [ 7, 8, 9,10]
# # [ 3, 4, 5, 6]])
# print(msort(A)) #在列方向上排序
# # [[ 6 5 4 3]
# # [10 9 8 7]
# # [14 13 12 11]]
A = np.arange(14,2, -1).reshape((3,4))
# array([[14, 13, 12, 11],
# [10, 9, 8, 7],
# [ 6, 5, 4, 3]])
# print(np.transpose(A)) #矩阵的转置有两种表示方法:
# print(A.T)
# # array([[14,10, 6]
# # [13, 9, 5]
# # [12, 8, 4]
# # [11, 7, 3]])
# # array([[14,10, 6]
# # [13, 9, 5]
# # [12, 8, 4]
# # [11, 7, 3]])
print(np.clip(A,5,9))
#将A中元素进行替换,小于5的都换成5,大于9的都换成9 ,只保留5到9之间的原始数据
# array([[ 9, 9, 9, 9]
# [ 9, 9, 8, 7]
# [ 6, 5, 5, 5]])
import numpy as np
# A = np.arange(3,15)
# # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
# print(A[3]) # 6
# A = np.arange(3,15).reshape((3,4))
# """
# array([[ 3, 4, 5, 6]
# [ 7, 8, 9, 10]
# [11, 12, 13, 14]])
# """
# print(A[2]) #实际上这时的A[2]对应的就是矩阵A中第三行(从0开始算第一行)的所有元素。
# # [11 12 13 14]
# print(A[1][1]) # 8
# print(A[1, 1]) # 8
# print(A[1, 1:3]) # [8 9] 这一表示形式即针对第二行中第2到第4列元素进行切片输出(不包含第4列)
# for row in A: #此时它会逐行进行打印操作。如果想进行逐列打印,就需要稍稍变化一下:
# print(row)
# """
# [ 3, 4, 5, 6]
# [ 7, 8, 9, 10]
# [11, 12, 13, 14]
# """
# print(A.T)
# for column in A.T: # 对A进行转置,再将得到的矩阵逐行输出即可得到原矩阵的逐列输出
# print(column)
# """
# [ 3, 7, 11]
# [ 4, 8, 12]
# [ 5, 9, 13]
# [ 6, 10, 14]
# """
# A = np.arange(3,15).reshape((3,4))
# print(A.flatten()) # 不可以 print(A.flat()) ,它是个迭代器,不可打印
# # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
# for item in A.flat:
# print(item)
# #这一脚本中的flatten是一个展开性质的函数,将多维的矩阵进行展开成1行的数列。而flat是一个迭代器,本身是一个object属性。
import numpy as np
# A = np.array([1,1,1]) #A是一个序列,并不是个矩阵
# B = np.array([2,2,2])
# print(A)
# print(B)
# print(np.vstack((A,B))) # vertical stack 垂直方向上合并
# """
# [[1,1,1]
# [2,2,2]]
# """
# C = np.vstack((A,B))
# print(A.shape,C.shape)
# # (3,) (2,3)
# D = np.hstack((A,B)) # horizontal stack 水平合并
# print(D)
# # [1,1,1,2,2,2]
# print(A.shape,D.shape)
# # (3,) (6,)
# # print(A.T) #这并不能显示一列三个1
# print(A[np.newaxis,:]) #这句话把A变成一行三列的一个矩阵
# # [[1 1 1]]
# print(A[np.newaxis,:].shape) #打印A的矩阵类型
# # (1,3)
# print(A[:,np.newaxis]) # 把A变成一个三行一列的矩阵
# """
# [[1]
# [1]
# [1]]
# """
# print(A[:,np.newaxis].shape) #打印A的矩阵类型
# # (3,1)
import numpy as np
A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis]
# print(A)
# # [[1]
# # [1]
# # [1]]
# print(B)
# # [[2]
# # [2]
# # [2]]
# C = np.vstack((A,B)) # vertical stack
# D = np.hstack((A,B)) # horizontal stack
# print(C)
# '''
# [[1]
# [1]
# [1]
# [2]
# [2]
# [2]]
# '''
# print(D)
# '''
# [[1 2]
# [1 2]
# [1 2]]
# '''
# print(A.shape,C.shape,D.shape)
# # (3, 1) (6, 1) (3, 2)
C = np.concatenate((A,B,B,A),axis=0) #在列方向合并
print(C) #axis参数很好的控制了矩阵的纵向或是横向打印,相比较vstack和hstack函数显得更加方便
'''
[[1]
[1]
[1]
[2]
[2]
[2]
[2]
[2]
[2]
[1]
[1]
[1]]
'''
D = np.concatenate((A,B,B,A),axis=1) #在行方向合并
print(D)
'''
[[1 2 2 1]
[1 2 2 1]
[1 2 2 1]]
'''
import numpy as np
A = np.arange(12).reshape((3, 4))
# print(A)
'''
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
'''
# print(np.split(A, 2, axis=1)) #纵向均分矩阵
# print(np.split(A, 3, axis=0)) #横向均分矩阵
# print(np.split(A, 3, axis=1))
#范例的Array只有4列,只能等量对分,因此输入以上程序代码后Python就会报错
# print(np.array_split(A, 3, axis=1))
#在机器学习时经常会需要将数据做不等量的分割,因此解决办法为np.array_split()
#在Numpy里还有np.vsplit()与横np.hsplit()方式可用。
# print(np.vsplit(A, 3)) #等于 print(np.split(A, 3, axis=0))
print(np.hsplit(A, 2)) #等于 print(np.split(A, 2, axis=1))
# Numpy copy & deep copy
import numpy as np
a = np.arange(4)
# array([0, 1, 2, 3])
# b = a
# c = a
# d = b
# #改变a的第一个值,b、c、d的第一个值也会同时改变。
# a[0] = 11
# print(a)
# # array([11, 1, 2, 3])
# # 确认b、c、d是否与a相同。
# b is a # True
# c is a # True
# d is a # True
# #同样更改d的值,a、b、c也会改变。
# d[1:3] = [22, 33] # array([11, 22, 33, 3])
# print(a) # array([11, 22, 33, 3])
# print(b) # array([11, 22, 33, 3])
# print(c) # array([11, 22, 33, 3])
#copy() 的赋值方式没有关联性
b = a.copy() # deep copy
print(b) # array([11, 22, 33, 3])
a[3] = 44
print(a) # array([11, 22, 33, 44])
print(b) # array([11, 22, 33, 3])