小白笔记day01：numpy基础2

1.1 如何生成数组，ndarray

使用array函数生成：

1list = [1,2,3,45,6,7,8]
2arr1 = np.array(list)
3
4>>>array([ 1,  2,  3, 45,  6,  7,  8])

还有zeros,ones函数：

1>>> np.zeros(5)
2array([0., 0., 0., 0., 0.])

1>>> np.zeros((2,3))
2array([[0., 0., 0.],
3       [0., 0., 0.]])

1>>> np.ones(10)
2array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

arange函数：

1>>> np.arange(12)
2array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

1.2 数据类型可以使用astype进行转换

1>>> arr= np.array([1,2,3,4,5,6,7,8,9])
2
3>>> arr.dtype
4dtype('int32')
5
6>>> float_arr = arr.astype(np.float64)
7
8>>> float_arr.dtype
9dtype('float64')

1.3 numpy数组运算

 1>>> arr = np.array([[4,5,6,8],[1,2,3,4]])
 2
 3>>> arr
 4array([[4, 5, 6, 8],
 5       [1, 2, 3, 4]])
 6
 7>>> arr*arr
 8array([[16, 25, 36, 64],
 9       [ 1,  4,  9, 16]])
10
11>>> arr-arr
12array([[0, 0, 0, 0],
13       [0, 0, 0, 0]])
14
15>>> 1/arr
16array([[0.25      , 0.2       , 0.16666667, 0.125     ],
17       [1.        , 0.5       , 0.33333333, 0.25      ]])
18
19
20>>> arr*0.5
21array([[2. , 2.5, 3. , 4. ],
22       [0.5, 1. , 1.5, 2. ]])

同尺寸数组之间比较，会产生一个布尔值数组。不同尺寸之间的操作则会使用到广播特性。

1.4 索引与切片

一维数组的切片看起来和列表一个样子。

1>>> arr = np.arange(15)
2>>> arr
3array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])
4
5>>> arr[2:5]
6array([2, 3, 4])

数组的切片是是个原数组的视图，任何对视图的修改都会反映到原数组上。

1>>> arr[0:4] = 5
2>>> arr
3array([ 5,  5,  5,  5,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

对于高维数组，每个索引值对应的元素是一维数组。

1>>> arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
2
3>>> arr2d[2]
4array([7, 8, 9])

1>>> arr2d[2][0]
2  7

numpy 的多维数组中，要注意原数组的维度进行索引值的设置，否者容易出错。
来感受一下区别：

arr3d = np.arange(12).reshape((2,2,3))

>>> arr3d
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])

>>> arr3d[0]
array([[0, 1, 2],
       [3, 4, 5]])

>>> arr3d[1,0]
array([6, 7, 8])

>>> arr3d[1,0,0]
6

多维数组的切片，类似于从高维往低维递进的一个过程。比如：

>>> arr3d[:1]
array([[[0, 1, 2],
        [3, 4, 5]]])

>>> arr3d[:1,:1]
array([[[0, 1, 2]]])

>>> arr3d[:1,:1,:1]
array([[[0]]])

>>> arr3d[:1,1]
array([[3, 4, 5]])

>>> arr3d[:,:,1]
array([[ 1,  4],
       [ 7, 10]])

1.5 布尔索引

布尔值数组长度必须与数组轴索引长度一致，当布尔值数组长度不确定时，并不会报错，所以要当心。

>>> arr = np.arange(15).reshape((5,3))

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

>>> arr_bool = np.array([True, False,True,True,False])

>>> arr[arr_bool]
array([[ 0,  1,  2],
       [ 6,  7,  8],
       [ 9, 10, 11]])

可以对多个布尔值条件进行联合，如&或者|, 对于布尔数组，pytrhon 的关键字and 和 or 并不管用。而且使用布尔索引时总是生成数据的拷贝。
基于一般的常识来设置布尔数组也是可行的：

>>> arr[arr>5]
array([ 6,  7,  8,  9, 10, 11, 12, 13, 14])

1.6 神奇索引

神奇索引时numpy是术语，用于描述使用整数数组进行数据索引。

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


>>> arr[[4,0,1,2]]
array([[12, 13, 14],
       [ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8]])
#传入多个索引数组
>>> arr[[0,1,2,3,4],[0,1,2,2,0]]
array([ 0,  4,  8, 11, 12])

#取到位置（0,0），（1,1），（2,2），（3,2），（4,0）的值

1.7 数组的转置和换轴

我的理解和线性代数上的转置是一个道理，行列互换。
数组有transpose方法，也有特殊的T属性。

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

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

进行矩阵计算，比如进行内积计算会用到：np.dot()

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

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

>>> arr_dot = np.dot(arr.T, arr)

>>> arr_dot
array([[270, 300, 330],
       [300, 335, 370],
       [330, 370, 410]])
>>> 

对于更高维的数组，transpose方法可以接受包含轴编号的元组，用于置换轴：

>>> ar = np.arange(16).reshape((2,2,4))

>>> ar
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

>>> ar.transpose((1,0,2))
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

轴进行了重新排序，原先的第一个和第二个换了位置，最后一个没有变。

ndarray有一个swapaxes方法，该方法接受一对编号作为参数，并对轴进行调整用于数据重组。

>>> ar
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

>>> ar.swapaxes(1,2)
array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

       [[ 8, 12],
        [ 9, 13],
        [10, 14],
        [11, 15]]])