numpy科学计算，矩阵的基本操作和random等常用函数

numpy矩阵的基本操作和运用函数

这里是小弟学习numpy array的一些小总结，这里做一下笔记方便日后查看，若有错误请大家指正，共同进步。

矩阵的初始化

import numpy as np
"""
构造1、2、 3维数组
官方文档，print(help(np.array))
"""
a = np.array([1, 2, 3])
b = np.array([[1, 2], [2, 3]])
c = np.array([[[1, 2], [2, 3]], [[1, 2], [2, 3]]])
if False:
print(a)
print(b)
print(c)

打印矩阵shape

a = np.array([1, 2, 3])
b = np.array([[1, 2], [2, 3]])
c = np.array([[[1, 2], [2, 3]], [[1, 2], [2, 3]]])
print(a.shape)
print(b.shape)
print(c.shape)

矩阵的数据类型必须一致

与python list不同所有元素类型是相同的，如

d = np.array([1,2,3,4.0])
print(type(d[2]))
d = np.array([1, 2, 3, 4.0])
print(d.dtype)
print(d[0].dtype)

即使传入的只有一个浮点型，为了适配，会默认全部转化为浮点型

一些基本操作

exp、floor 、T、shape相关操作，demo

"""
e的次幂
"""
if False:
    B = np.arange(3)
    print(np.exp(B))
    print(np.sqrt(B))

"""

floor 向下取整
"""
if False:
    a = 10 * np.random.random((2, 4))
    print(a)
    b = np.floor(a)
    print(b)

"""
矩阵拉平，ravel()
一行一行的拼接起来

shape 操作

T 转置 array.T

"""
if False:
    a = np.arange(24)
    a = a.reshape(4, 6)
    print(a)
    b = a.ravel()
    print(b)
    # 这操作类似reshape，reshape操作为 b.reshape(3, -1).这里-1表示自动推断
    b.shape = (3, 8)
    print(b)
    print(b.T)

"""
当前矩阵扩展
tile
"""
if False:
    a = np.array([[1, 2, 3], [4, 5, 6]])
    print("---a----")
    print(a)
    print("---tile----")
    print(np.tile(a, (2, 3)))

排序

"""
求列最大值 和 最大值序号
"""
if False:
    a = np.floor(10 * np.random.random((3, 6)))
    a = a.astype(int)
    print("---a----")
    print(a)
    b_index = np.argmax(a)
    # 每一列最大值的序号
    b_index2 = a.argmax(axis=0)
    print("---b_index----")
    print(b_index)
    print(b_index2)

    # 根据序号，找出每一列的最大值
    c = np.arange(0, 6)
    data_max = a[b_index2, c]
    print("---data_max----")
    print(data_max)


"""
排序 sort
"""
if True:
    a = np.array([[2, 10, 3], [9, 5, 6]])
    print("---a----")
    print(a)
    print("----列排序---")
    print(np.sort(a, axis=0))
    print("----行排序---")
    print(np.sort(a, axis=1))

    b = np.array([2, 5, 3, 9])
    print("----排序从小到大的数的序号---")
    print(np.argsort(b))

切片操作

numpy中 “：”表示所有
1、array[1:3] 表示选取1到2的数据
2、传入数组 array[a], a的size为array的size
当a为bool类型，则false就选取，false就舍弃，size必须与array一样
当a为整型，则表示选取下标为当前整数的项，size不必与array的size一样
二维数组一样，只不过传入的是2个数组,两个数组必须是一维的，关于二维的可以看下面判断操作的例子

vector = np.array([1, 2, 3, 4])
sun_v = vector[0:3]
sun_v2 = vector[[False, True, False, False]]
sun_v22 = vector[[0, 1, 0]]
print(sun_v)
print(sun_v2)
print(sun_v22)

matrix = np.array([[1, 2, 4],
                  [3, 4, 6],
                  [7, 9, 6]])
sun_m = matrix[:, 1:3]
print(sun_m)

3、利用split

• 按列切：hsplit
• 按行切：vsplit
• 参数 ：
• 1、传入切分数组
• 2、<1>切分的份数（平均切）,<2>传入元组则是切分位置（3，4）表示的是在下表3，和4的位置切分

if True:
    a = np.floor(10 * np.random.random((3, 6)))
    a = a.astype(int)
    print("---a----")
    print(a)
    b = np.hsplit(a, 3)
    print("---b----")
    b2 = np.hsplit(a, (3, 5))
    print(b)
    print("---b2----")
    print(b2)
    c = np.vsplit(a, 3)
    print(c)
#输出：
---a----
[[7 5 5 7 7 5]
 [8 9 0 2 3 5]
 [6 0 8 6 1 0]]
---b----
[array([[7, 5],
       [8, 9],
       [6, 0]]), array([[5, 7],
       [0, 2],
       [8, 6]]), array([[7, 5],
       [3, 5],
       [1, 0]])]
---b2----
[array([[7, 5, 5],
       [8, 9, 0],
       [6, 0, 8]]), array([[7, 7],
       [2, 3],
       [6, 1]]), array([[5],
       [5],
       [0]])]
---c----
[array([[7, 5, 5, 7, 7, 5]]), array([[8, 9, 0, 2, 3, 5]]), array([[6, 0, 8, 6, 1, 0]])]

拼接操作

hstack 横着拼接
vstack 竖着拼接

if True:
    a = np.floor(10 * np.random.random((2, 4)))
    print(a)
    print("-------")
    b = np.floor(10 * np.random.random((2, 4)))
    print(b)
    print("-------")
    print(np.hstack((a, b)))
    print("-------")
    print(np.vstack((a, b)))

# 输出：
[[1. 2. 8. 0.]
 [8. 0. 8. 0.]]
-------
[[4. 7. 3. 3.]
 [3. 2. 6. 4.]]
-------
[[1. 2. 8. 0. 4. 7. 3. 3.]
 [8. 0. 8. 0. 3. 2. 6. 4.]]
-------
[[1. 2. 8. 0.]
 [8. 0. 8. 0.]
 [4. 7. 3. 3.]
 [3. 2. 6. 4.]]

判断操作

语法：r = (array ==10) 针对 array中每个元素做判断，返回与r shape相同的数组，
运用场景：
1、利用r 带入 上面的切片例子中，判断一维数组中是否含有某值，有返回该值的数组，没用就返回空
2、利用用r 带入 上面的切片例子中，这个来 取数组中 某列元素中 等于 10的行
注意：type() 是数据类型 ， array.dtype则是数组元素的数据类型

    #利用判断来选区特定的行数
    a = np.array([1, 2, 1, 6, 321, 1, 312])
    b = (a == 10)
    r = a[b]
    print(r.size)

    matrix = np.array([[1, 2, 4, 5],
                       [3, 4, 6, 5],
                       [7, 9, 6, 7]]
                      )
    """
    取第二列中等于4的行
    """
    # 注意这里，1：2 和 直接写1的区别，前面返回2维数组，后面是返回一维的数组，用前者就会报错
    f = matrix[:, 1:2]
    f = matrix[:, 1]
    print(f)
    filter2 = (f == 4)
    print(filter2)
    result = matrix[filter2]
    print(result)

数据转换 astype()

matrix = np.array([[1, 2, 4, 5],
                  [3, 4, 6, 5],
                  [7, 9, 6, 7]]
                    )
print(matrix.dtype)
matrix2 = matrix.astype(float)
print(matrix2.dtype)

矩阵之间的操作

1、直接运用运算符（+ - * / **求幂指数）则是对应位置的数据进行 乘除，
2、.dot() 则是数学意义上的矩阵相乘
下面为求和操作函数sum

matrix = np.array([[1, 2, 4, 5],
                       [3, 4, 6, 5],
                       [7, 9, 6, 7]]
                      )
# min、max
print(matrix.min())
print(matrix.max())
# sum
# 按行求和
sum_r = matrix.sum(axis=1)  
# 按列求和
sum_c = matrix.sum(axis=0)
print(sum_r)
print(sum_c)

生成序列数组 arange

arange 参数分别为，start end step ， type

ran = np.arange(20)
ran2 = np.arange(1, 21, 2, int)
print(ran)
print(ran2)

改变形状操作：reshape

shape 矩阵的形状

ran = np.arange(20)
a = ran.reshape(4, 5)
print(a)
print(a.shape)

初始化全为0或者1的矩阵

zeros
ones
参数为元组

a = np.zeros((3, 4), int)
b = np.ones((3, 4), int)
print(a)
print(b)

随机数

np.random模块

# 返回区间 [0,1)区间的随机数
r = np.random.random(size=(2, 3))
print(r)

# 随机整数 randint(low, high=None, size=None, dtype=’l’)
r_int = np.random.randint(0, 9, size=(2, 3))
print(r_int)

# 随机高斯分布 normal(loc=0.0, scale=1.0, size=None)
# loc：均值，scale：标准差，size：抽取样本的size
r_gs = np.random.normal(loc=0.0, scale=1, size=(2, 3))
print(r_gs)

# 标准正态分布,参数为size， randn(*dn)
r_n = np.random.randn(2, 3)
print(r_n)

# numpy.random.rand(d0, d1, …, dn)函数
# 生成一个(d0*d1* …* dn)维位于[0, 1)中随机样本
r_n = np.random.randn(2, 3)
print(r_n)

随机打乱序列 选择数据

打乱 numpy.random.shuffle
选择 numpy.random.choice()

x = np.arange(0, 8, 1, int)
print(x)
np.random.shuffle(x)
print(x)
c = np.random.choice(x)
c2 = np.random.choice(x, 6)  # 随机选取6个数字
print(c)
print(c2)

二项分布采样

numpy.random.RandomState.binomial(n, p, size=None)
公式： 在 n个样本中，每次选中的概率为p，选中s个的概率

numpy.random.RandomState.binomial(n, p, size=None)表示对一个二项分布进行采样,在n个样本中，选择n次 返回选中的次数，size:实验的次数，返回每次选中的个数的数组 （这里是小弟个人理解，正确与否还望大家指正）

比如：c = np.random.binomial(5, 0.8, size=32)
就是选中的概率 0.8的情况下，选择5次，中的次数，然后实验32次，每次成功的次数

c = np.random.binomial(5, 0.8, size=32)
print(c)

随机种子

numpy.random.RandomState()

循环内：
- 种子相同的时候，每次循环的随机的数是相同的
- 一次循环内调用2次，2个随机的种子相同，数据也不同

循环外与内比：
- uniform 循环外 内都不同
- randint 循环外与循环内种子数相同的第一个调用的随机数相同

具体看下面的例子：

for i in [1, 2]:
    rng = np.random.RandomState(12)
    arrayA = rng.randint(0, 8, (2, 3))
    arrayB = rng.uniform(0, 1, (2, 3))
    arrayC = rng.randint(0, 8, (2, 3))
    arrayD = rng.uniform(0, 1, (2, 3))
    print(arrayA)
    print(arrayB)
    print(arrayC)
    print(arrayD)
    print("\n")
arrayC = np.random.RandomState(12).randint(0, 8, (2, 3))
arrayD = rng.uniform(0, 1, (2, 3))
print(arrayC)
print(arrayD)

    #输出为
    [[3 3 6]
     [5 1 2]]
    [[0.53373939 0.01457496 0.91874701]
     [0.90071485 0.03342143 0.95694934]]
    [[6 2 0]
     [5 0 4]]
    [[0.94422514 0.85273554 0.00225923]
     [0.52122603 0.55203763 0.48537741]]


    [[3 3 6]
     [5 1 2]]
    [[0.53373939 0.01457496 0.91874701]
     [0.90071485 0.03342143 0.95694934]]
    [[6 2 0]
     [5 0 4]]
    [[0.94422514 0.85273554 0.00225923]
     [0.52122603 0.55203763 0.48537741]]


    [[3 3 6]
     [5 1 2]]
    [[0.76813415 0.16071675 0.76456045]
     [0.0208098  0.13521018 0.11627302]]

区间内平均取值

linspace在一个区间内平均去取值

a = np.linspace(0, 2*np.pi, 20)
print(a)

这里实验数据加解释文档都在代码中有展示，大家如果感兴趣可以直接下载文档来跑看，如果想演示哪个demo，将开头的if False修改为if True 单独查看跑的结果：https://download.csdn.net/download/zhangpengzp/10570936