关于NumPy的一些基础知识

关于NumPy的一些基础知识，供有一定NumPy基础的人作复习用

 

创建ndarray

 

每个数组都有一个shape（一个表示各维度大小的元组）和一个dtype（一个用于说明数组数据类型的对象），还有一个ndim（表示数组有几个维度）

 

 

    

 

ndarray的数据类型

可以通过ndarray的astype方法转换其dtype（不会改变原对象）：

 

警告：浮点数（比如float64和float32）只能表示近似的分数值。在复杂计算中，由于可能会积累一些浮点错误，因此比较操作只能在一定小数位以内有效

 

 

数组和标量之间的运算

大小相等的数组之间的任何算术运算都会将运算应用到元素级：

          

数组与标量的算术运算也会将那个标量值传播到各个元素：

 

索引和切片

   

跟列表最重要的区别在于，数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接反映到源数组上。

如果你想要得到的是ndarray切片的一份副本而非视图，就需要显式地进行复制操作，例如arr[5:8].copy()

 

对元素访问

    

     两者等价

 

标量值和数组都可以被赋值给data[0]：

 

   

 

切片索引

高纬度数组，可以在一个或多个轴上进行切片，也可以跟整数索引混合使用。

    

可以看出，它是沿着第0轴（既第一个轴）切片的。也就是说，切片是沿着一个轴向选取元素的。你可以一次传入多个切片，就像传入多个索引那样：

像这样进行切片时，只能得到相同维数的数组视图。通过将整数索引和切片混合，可以得到低纬度的切片：

    

只有冒号表示选取整个轴，因此你可以像下面这样只对高纬度进行切片：

 

布尔型索引

 

 

要选择Bob以外的值可以有多种方法：

 

 

 

选取这三个名字中的两个需要组合应用多个布尔条件，使用&（和）、|（或）之类的布尔算术运算符即可：

 

通过布尔型索引选取数组中的数据，将总是创建数据的副本，即使返回一模一样的数组也是如此。

警告：Python关键字and和or在布尔型数组中无效

 

通过布尔型数组设置值是一种经常用到的手段。为了将data中所有的负值都设置为0，我们只需：

 

通过一维布尔数组设置整行或整列的值也很简单：

 

花式索引

 

为了以特定顺序选取行子集，只需传入一个用于指定顺序的整数列表或ndarray即可：

      

当传入两个列表时：

 

得到的结果可能和我们想的不一样。最终选出的是元素（1,0）、（5,3）、（7,1）、（2,2）。

 

 

 

通用函数：快速的元素级数组函数

通用函数（即ufunc）是一种对ndarray中的数据执行元素级运算的函数。你可以将其看做简单函数（接受一个或多个标量值，并产生一个或多个标量值）的矢量化包装器。

 

 

利用数组进行数据处理

NumPy数组使你可以将许多种数据处理任务表述为简洁的数组表达式（否则需要编写循环）。用数组表达式代替循环的做法，通常被称为矢量化。一般来说，矢量化数组运算要比等价的纯Python方式快上一两个数量级（甚至更多），尤其是各种数值计算。

    

 

 将条件逻辑表述为数组运算

 

 

数学和统计方法

注意axis参数，可设置是对行还是列进行统计。如果不设置axis参数默认为对整个数组进行统计，而不是针对行或者列。

 

用于布尔型数组的方法

在上面这些方法中，布尔值会被强制转换为1（True）和0（False）。因此，sum经常被用来对布尔型数组中的True值计数：

 

另外还有两个方法any和all，它们对布尔型数组非常有用。any用于测试数组中是否存在一个或多个True，而all则检查数组中所有值是否都是True

 

这两个方法也能用于非布尔型数组，所有非0元素将会被当做True

 

 

排序

跟Python内置的列表类型一样，NumPy数组也可以通过sort方法就地排序：

 

多维数组可以在任何一个轴向上进行排序，只需将轴编号传给sort即可：

 

顶级方法np.sort返回的是数组的已排序副本，而就地排序则会修改数组本身。计算数组分位数最简单的办法是对其进行排序，然后选取特定位置的值：

 

 

唯一化以及其他的集合逻辑

 

 

用于数组的文件输入输出

将数组以二进制格式保存到磁盘

np.save和np.load是读写磁盘数组数据的两个主要函数。默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中。

 

如果文件路径末尾没有扩展名.npy，则该扩展名会被自动加上。然后就可以通过np.load读取磁盘上的数组：

 

通过np.savez可以将多个数组保存到一个压缩文件中，将数组以关键字参数的形式传入即可：

 

加载.npz文件时，会得到一个类似字典的对象：

 

存取文本文件

我们可以用np.loadtxt或更为专门话的np.genfromtxt将数据加载到普通的NumPy数组中。

这些函数都有许多选项可供使用：指定各种分隔符、针对特定列的转换器函数、需要跳过的行数等。以一个简单的逗号分隔文件为例（CSV）：

 

np.savetxt执行的是相反的操作：将数组写到以某种分隔符隔开的文本文件中。genfromtxt跟loadtxt差不多，只不过它面向的是结构化数组和缺失数据处理。

 

 

线性代数

 

警告：有些函数并不属于numpy.linalg里，而是直接数据numpy里，如dot

 

 

随机数生成