Numpy基础知识

numpy

参考资料：https://github.com/kailashahirwar/cheatsheets-ai/blob/master/Numpy.png
Numpy是Python的一种开源的数值计算扩展,可用来存储和处理大型矩阵

import numpy as np

创建数组

a = np.array([1, 2, 3])                                                       # shape (3,)
b = np.array([(1.5, 2, 3), (4, 5, 6)], dtype=float)                           # shape(2, 3)
c = np.array([[(1.5, 2, 3), (4, 5, 6)], [(3, 2, 1), (6, 5, 4)]], dtype=float) # shape(2, 2, 3)

np.zeros((3, 4))                   # 创建为0的数组
np.ones((2, 3, 4), dtype=np.int16) # 创建全为1的数组
d = np.arange(10, 30, 5) 		   # 创建10到30之间的数组，步长为5
np.linspace(0, 2, 9)     	       # 均匀的产生0到2之间的9个数字
e = np.full((2, 2), 7)             # 创建2行2列的常数为7的数组
f = np.eye(2)                      # 创建2*2的单位矩阵
np.random.random((2, 2))           # 创建2*2的随机矩阵
np.empty((3, 2))                   # 创建空矩阵

保存数组

np.save('my_array', a)      # 保存数组到当前文件目录的my_array.npy
np.savez('array.npz', a, b)
np.load('my_array.npy')
np.load('array.npz')

常见的numpy数据类型

np.int64    # 64位整型数据
np.float32  # 标准的双精度浮点型数据
np.complex  # 复数型数据
np.bool     # 布尔型数据，True或者False
np.object   # python对象
np.string_  # 固定长度的字符数据
np.unicode_ # 固定长度的unicode类型

数组的属性获取

a.shape            # 数组的维度
len(a)             # 数组的长度
b.ndim             # 数组有多少个维度
a.size             # 数组中元素的个数
b.dtype            # 数组的类型
b.dtype.name       # 类型的名称
f = b.astype(int)  # 类型转换
f.dtype            # dtype('int64')

数组之间的数学计算

g = a - b
np.subtract(a, b)  # np的减法操作

a + b
np.add(a, b)       # np的加法操作

a / b
np.divide(a, b)    # np的除法操作

np.multiply(a, b)  # 乘法操作
np.exp(b)          # 取指数操作
np.sqrt(b)         # 开根号
np.sin(a)
np.cos(b)
np.log(a)
a = np.array([[1, 2], [3, 3]])
b = np.array([[2, 9], [3, 4]])
a.dot(b)          # 点乘操作 [[8,17], [15, 39]]
np.multiply(a, b) # 乘法操作 [[2, 18], [9, 12]]
a == b            # [[False, False], [True, False]]
a < 3             # [[True, True], [False, False]]

常用函数

a.sum()          # 求和
a.min()          # 求最小值
b.max(axis=0)    # 按列求最大值
b.cumsum(axis=1) # 按元素依次求和--行
a.mean()         # 计算a的均值
np.std(b)        # 计算标准差
np.transpose(b)  # b的转置函数
g = b.ravel()    # 平铺整个数组
g.reshape(3, 2)   

复制数组

h = a.view()   
np.copy(a)
h = a.copy()

fancy index获取数组元素
fancy indexing：即指传递索引数组以便一次得到多个数组元素

b = np.array([[1, 2, 3], [4, 5, 6]])
b[1, 1]                                 # 5
b[b<5]                                  # [1 2 3 4]
b[[1, 0, 1, 0], [0, 1, 2, 0]]           # [4 2 6 1]
b[[1, 0, 1, 0]][:, [0, 1, 2, 0]]        # [[4, 5, 6, 4], [1, 2, 3, 1], [4, 5, 6, 4],  [1, 2, 3, 1]]

数组合并，以及插入值

a = np.array([2, 3, 4])    
d = np.arange(10, 21, 5)        # [10 15 20]
np.insert(a, 1, 5)              # [2 5 3 4 10 15 20]
np.append(a, d)                 # [2 3 4 10 15 20]     
np.delete(a, [1])               # [2 4]
np.concatenate((a, d), axis=0)  # [[2 3 4], [1 2 3], [4 5 6]]
np.vstack((a, d))               # 合并两个数组，按行合并 [[2 3 4], [10 15 20]]
np.r_[e, f]
np.column_stack((a, d))         # 按列合并两个数组 [[2 10], [3 15], [4 20]]

数组切分

np.hsplit(a, 3)    # 纵向切分数据 [array([2]), array([3]), array([4])]
np.vsplit(b, 2)    # 横向切分数据 [array([[1, 2, 3]]), array([[4, 5, 6]])]