掌握numpy(二)
目录##
掌握numpy(一)
掌握numpy(二)
掌握numpy(三)
掌握numpy(四)
数组的reshape##
顾名思义，就是对数组的形状进行改变，比如行变成列，一行变多行等。
in place###
通过使用ndarray的shape属性能够轻松的改变数组的形状，需要保证的是前后变换的size大小一样
g = np.arange(24)#生成24个数字
print(g)
>>print"Rank:", g.ndim
[ 0 1 2 ..., 21 22 23]
Rank: 1
进行变换
g.shape = (6, 4)
print(g)
>>print "Rank:", g.ndim
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
Rank: 2
元素以及大小未发生变化，rank变成了2。这种转换方式g的值发生了变化，所以叫做in place转换
reshape###
reshape方法返回了一个新的数组对象，但该对象指向原始的数值，这也就意味着修改其值也将影响到原始对象，下面是例子
g = np.arange(24)
g2 = g.reshape(4,6)
>>g2
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
目前g2是一个二维数组，我们可以修改其元素的值，不过与我们学过其他语言用法是a[1][2],numpy支持以下用法
g2[1, 2] = 999 #等价于g2[1][2] =999
>>g[7] #原始g的值也发生了变化
999
ravel###
既然numpy通过reshape能够将数组转换为其他的形状，那么ravel就能将数组转化为一个1维的数组
a = np.array([[1,2,3,4],[5,6,7,8]])
>>a
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
>>a.ravel()
array([1, 2, 3, 4, 5, 6, 7, 8])
算数运算##
a = np.array([14, 23, 32, 41])
b = np.array([5, 4, 3, 2])
print("a + b =", a + b)
print("a - b =", a - b)
print("a * b =", a * b)
print("a / b =", a / b)
print("a // b =", a // b)
print("a % b =", a % b)
>>print("a ** b =", a ** b)
a + b = [19 27 35 43]
a - b = [ 9 19 29 39]
a * b = [70 92 96 82]
a / b = [ 2.8 5.75 10.66666667 20.5 ]
a // b = [ 2 5 10 20]
a % b = [4 3 2 1]
a ** b = [537824 279841 32768 1681]
参与运算的变量需要有着相同的形状，否则会按照broadcasting形式参与运算
broadcasting##
ndarray参与运算的时候，期望变量的维度一样，如果不一样的话就会按照broadcasting规则运算
规则一###
如果数组形状不一样
a = np.array([1,2,3,4])
>>a + 4
array([5, 6, 7, 8])
规则二###
沿着维度值较大的那一维度进行运算
k = np.arange(6).reshape(2, 3)
>>k + [[100], [200]]
array([[100, 201, 302],
[103, 204, 305]])
规则三###
大小完全一样，下面的代码将会报错
k = np.arange(6).reshape(2, 3)
try:
k + [33, 44]
except ValueError as e:
print(e)
上转型###
经常编程的会知道转型，比如int转到long为上转，反之为下转。当两个类型不同的ndarray计算的时候，numpy默认的为上转型
k1 = np.arange(0, 5, dtype=np.uint8)
>>k1.dtype
dtype('uint8')
不同类型的参与计算
k2 = k1 + np.array([5, 6, 7, 8, 9], dtype=np.int8)
>>k2.dtype
dtype('int16')
上面结果的类型为int16（范围为-32768_32767）,实际上uint8已经足够了
k3 = k1 + 1.5
>>k3.dtype
float64
条件运算符###
条件运算符会应用到每一个元素
m = np.array([20, -5, 30, 40])
>>m < [25,25,25,25]
array([ True, True, False, False], dtype=bool)
上面还可以借助broadcasting,简化写法
>>m < 25
array([ True, True, False, False], dtype=bool)
如果我想通过条件运算过滤出其中的元素，那么该怎么做呢？
>>m[m<25]
array([20, -5])
如果是两个数组做对比呢？
a = np.array([1, -2, 3, 4])
b = np.array([2, 8, -1, 7])
>>np.greater(a, b) #等价与 a>b
array([False, False, True, False], dtype=bool)
>>np.maximum(a, b)
array([2, 8, 3, 7])
如果找出数组中满足某个条件的元素呢？
>>x = np.arange(9.).reshape(3, 3)
array([[ 0., 1., 2.],
[ 3., 4., 5.],
[ 6., 7., 8.]])
>>result = np.where( x > 5 )
(array([2, 2, 2], dtype=int64), array([0, 1, 2], dtype=int64))#输出的为坐标[(2,0),(2,1),(2,2)]
如何转化为坐标形式呢？
>>list(zip(*result))
[(2, 0), (2, 1), (2, 2)]
