Python常用库：Numpy
本文转载自https://www.cnblogs.com/reaptomorrow-flydream/p/9173161.html，略有修改，感谢原博主整理分享
# Numpy简单创建数组
1 a = [1, 2, 3]
2 b = np.array(a)
3 c = np.array([[0, 1, 2],[3, 4, 5]], int)
4 print(b)
5 print(c)
1.创建数值为1的数组
Numpy.ones(参数 1：shape，数组的形状；参数 2：dtype， 数值类型)
1 array_one = np.ones([10, 10], dtype=np.int)
2 print(array_one)
2.创建数值为0的数组
Numpy.zeros(参数 1：shape，数组的形状；参数 2：dtype， 数值类型)
1 array_zero = np.zeros([3, 4], dtype=np.float)
2 print(array_zero)
3.创建指定数值的数组
Numpy.full(参数 1：shape，数组的形状； 参数 2：constant value，数组填充的常数值；参数 3：dtype， 数值类型，默认int)
1 array_full = np.full([2, 3], 5, dtype=np.float)
2 print(array_full)
4.创建单位矩阵
Numpy.eye(参数 1：N，方阵的维度)
1 array_eye = np.eye(5)
2 print(array_eye)
5.创建对角矩阵
Numpy.diag(参数1：v，主对角线数值，参数 2：k，对角线元素)：K = 0表示主对角线，k>0的值选择在主对角线之上的对角线中的元素，k<0的值选择在主对角线之下的对角线中的元素
1 array_diag = np.diag([10, 20, 30, 40],k=2)
2 print(array_diag)
# Numpy创建随机数组（np.random）
1.均匀分布
创建指定形状的数组，数值范围为[0,1)：Numpy.random.rand(d0,d1,d2...dn)
1 array_rand = np.random.rand(3, 4)
2 print(array_rand)
3 print(array_rand.ndim)
创建指定范围内的一个数：Numpy.random.uniform(low, high, size=None)
1 array_uniform = np.random.uniform(0, 100, size=5)
2 print(array_uniform)
创建指定范围的一个整数：Numpy.random.randint(low, high, size=None)
1 array_int = np.random.randint(0, 100, size=3)
2 print(array_int)
3 print(array_int.size)
Numpy.arange(start, stop, step)：创建一个秩为1的array，其中包含位于半开区间[start, stop)内并均匀分布的值，step表示两个相邻值之间的差。
Numpy.linspace(start, stop, N)：创建N个在闭区间[start, stop]内均匀分布的值。
1 X = np.arange(1, 5, 2, dtype=np.int)
2 print(X)
3 y = np.linspace(1, 5, 3)
4 print(y)
2.正态分布
创建给定均值、标准差、维度的正态分布：Numpy.random.normal(loc, scale, size)
1 # 正态生成4行5列的二位数组
2 array_normal = np.random.normal(loc=1.75, scale=0.1, size=[4, 5])
3 print(array_normal)
4 print(array_normal.ndim)
# Numpy查看数组属性
数组元素个数：b.size
数组形状：b.shape （几行几列）
数组维度：b.ndim
数组元素类型：b.dtype
# Numpy数组操作
1.数组的索引
array[start : end]
array[start:]
array[:end]
布尔型索引：array[array>10 & array<20]
1 # 截取第0至第2行，第2至第3列（从第0行第0列算起）？？？
2 after_array = array_normal[:3, 2:4]
3 print(after_array)
2.数组的复制
Numpy.copy(参数 1：数组)：创建给定array的一个副本，还可当做方法用。
1 after_array = array_normal[:3, 2:4].copy()
2 copy_array = np.copy(array_normal[:, 2:4])
3.数组排序
Numpy.sort(a：数组，axis=0/1，kind：默认为快速排序，order：排序字段)：np.sort()作为函数使用时，不更改被排序的原始array；array.sort()作为方法使用时，会对原始array修改为排序后数组array
1 # 整体排序
2 np.sort(array_normal)
3 # 竖直方向排序
4 np.sort(array_normal, axis=0)
5 # 水平方向排序
6 np.sort(array_normal, axis=1)
4.数组唯一元素
Numpy.unique(参数 1：a，数组；参数 2：return_index=True/False，新列表元素在旧列表中的位置；参数 3：return_inverse=True/False，旧列表元素在新列表中的位置；参数 4：return_counts，元素的数量；参数 5：axis=0/1，0表示行1表示列)：查找array中的唯一元素。
1 print("提取唯一元素", np.unique(array_normal))
2 print("提取唯一元素", np.unique(array_normal, return_index=True))
3 print("提取唯一元素", np.unique(array_normal, return_counts=True))
4 print("提取唯一元素", np.unique(array_normal, return_index=True, return_inverse=True, axis=0))
# Numpy数组计算
1.条件运算
Numpy.where(condition, x, y)：condition成立时，返回x；condition不成立时，返回y
1 score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
2 # 如果数值小于80，替换为0，如果大于等于80，替换为90
3 re_score = np.where(score < 80, 0, 90)
4 print(re_score)
2.统计运算
获取轴最大值：Numpy.amax(参数1：数组；参数2：axis=0/1，0表示纵轴，1表示横轴)
1 # 求整个矩阵的最大值 2 result = np.amax(score) 3 print(result) 4 # 求每一列的最大值 5 result = np.amax(score, axis=0) 6 print(result) 7 # 求每一行的最大值 8 result = np.amax(score, axis=1) 9 print(result)
获取轴最小值：Numpy.amin(参数1：数组；参数2：axis=0/1，0表示纵轴，1表示横轴)
1 # 求整个矩阵的最小值 2 result = np.amin(score) 3 print(result) 4 # 求每一列的最小值 5 result = np.amin(score, axis=0) 6 print(result) 7 # 求每一行的最小值 8 result = np.amin(score, axis=1) 9 print(result)
指定轴平均值：Numpy.mean(参数1：数组；参数2：axis=0/1，0表示纵轴，1表示横轴；参数3：dtype，输出数据类型)
1 # 求整个矩阵的平均值 2 result = np.mean(score, dtype=np.int) 3 print(result) 4 # 求每一列的平均值 5 result = np.mean(score, axis=0) 6 print(result) 7 # 求每一行的平均值 8 result = np.mean(score, axis=1) 9 print(result)
指定轴方差：Numpy.std(参数1：数组；参数2：axis=0/1，0表示纵轴，1表示横轴；参数3：dtype，输出数据类型)
1 # 求整个矩阵的方差 2 result = np.std(score) 3 print(result) 4 # 求每一列的方差 5 result = np.std(score, axis=0) 6 print(result) 7 # 求每一行的方差 8 result = np.std(score, axis=1) 9 print(result)
类似的，求和：Numpy.sum()，求中值：Numpy.median
3.数组运算
数组与数的运算（加+、减-、乘*、除/、取整//、取余数%）
1 # 循环数组行和列，每一个数值都加5 2 score[:, :] = score[:, :]+5 3 print(score) 4 # 循环数组行和列，每一个数值都减5 5 score[:, :] = score[:, :]-5 6 print(score) 7 # 循环数组行和列，每一个数值都乘以5 8 score[:, :] = score[:, :]*5 9 print(score) 10 # 循环数组行和列，每一个数值都除以5 11 score[:, :] = score[:, :]/5 12 print(score) 13 # 循环数组行和列，每一个数值除以5取整 14 score[:, :] = score[:, :] // 5 15 print(score) 16 # 循环数组行和列，每一个数值除以5取余数 17 score[:, :] = score[:, :] % 5 18 print(score)
数组间运算（加、减、乘、除），前提是两个数组的shape一样
加：“+”或者np.add(a, b) 减：“-”或者np.subtract(a, b)
乘：“*”或者np.multiply(a, b) 除：“/”或者np.divide(a, b)
1 c = score + score 2 d = score - score 3 e = score * score 4 # 分母数组保证每个数值不能为0 5 b = score / score
Numpy.intersect1d(参数 1：数组a；参数 2：数组b)：查找两个数组中的相同元素
Numpy.setdiff1d(参数 1：数组a；参数 2：数组b)：查找在数组a中不在数组b中的元素
Numpy.union1d(参数 1：数组a；参数 2：数组b)：查找两个数组的并集元素
# Numpy矩阵运算（一种特殊的二维数组）
1.矩阵相乘
Numpy.dot(a, b)：矩阵需满足（M行，N列）*（N行，Z列）=（M行，Z列）
1 st_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) 2 # 平时成绩占40% 期末成绩占60%, 计算结果 3 q = np.array([[0.4], [0.6]]) 4 result = np.dot(st_score, q) 5 print(result)
2.矩阵拼接
矩阵垂直拼接（前提两个两个矩阵列数相同，行数随意）：Numpy.vstack(参数：tuple)
1 v1 = [[0, 1, 2, 3, 4, 5], 2 [6, 7, 8, 9, 10, 11]] 3 v2 = [[12, 13, 14, 15, 16, 17], 4 [18, 19, 20, 21, 22, 23], 5 [18, 19, 20, 21, 22, 23]] 6 result = np.vstack((v1, v2)) 7 print(result)
矩阵水平拼接（前提两个两个矩阵行数相同，列数随意）：Numpy.hstack(参数：tuple)
1 v1 = [[0, 1, 2, 3, 4, 5], 2 [6, 7, 8, 9, 10, 11]] 3 v2 = [[12, 13, 14, 15, 16, 17], 4 [18, 19, 20, 21, 22, 23]] 5 result = np.hstack((v1, v2)) 6 print(result)
矩阵删除：Numpy.delete(参数 1：array，数组；参数 2：elements，删除的对象；参数 3：axis=0/1,0行1列)
1 OriginalY = np.array([[1, 2, 3], 2 [4, 5, 6], 3 [7, 8, 9]]) 4 print(np.delete(OriginalY, [0, 2])) #删除第0行的第0列和第2列元素,并重组为行向量 5 print(np.delete(OriginalY, [0, 2], axis=0)) #删除第0行和第2行元素 6 print(np.delete(OriginalY, [0, 2], axis=1)) #删除第0列和第2列元素
矩阵添加：Numpy.append(参数 1：array，数组；参数 2： elements，添加元素；参数 3： axis=0/1,0行1列)
1 OriginalY = np.array([[1, 2, 3],
2 [4, 5, 6],
3 [7, 8, 9]])
4 # 末尾添加元素并重组为行向量
5 print(np.append(OriginalY, [0, 2]))
6 # 最后一行添加一行
7 print(np.append(OriginalY, [[0, 2, 11]], axis=0))
8 # 最后一列添加一列（注意添加元素格式）
9 print(np.append(OriginalY, [[0], [2], [11]], axis=1))
矩阵插入：Numpy.insert(参数 1：array，数组；参数 2：index，插入位置索引；参数 3： elements，添加元素；参数 4： axis=0/1)，相比Numpy.append可任意指定插入位置，更方便
1 OriginalY = np.array([[1, 2, 3],
2 [4, 5, 6],
3 [7, 8, 9]])
4 print(np.insert(OriginalY, 1, [11, 12, 10])) #在第一行插入元素，并重组为行向量
5 print(np.insert(OriginalY, 1, [[11, 12, 10]], axis=0)) #在第一行后新的一行
6 # 在列索引1的位置插入（注意元素格式，跟添加格式不同）
7 print(np.insert(OriginalY, 1, [[11, 12, 10]], axis=1)) #在第一列后插入新的一列
# Numpy文件加载
np.loadtxt(fname, dtype, comments='#', delimiter=None, skiprows=0, usecols=None)
fname:读取的文件、文件名
dtype：数据类型
comments：注释
delimiter：分隔符，默认是空格
skiprows：跳过前几行读取，默认是0
usecols：读取哪些列，usecols=（1， 2， 5）读取第1,2,5列，默认所有列
其他链接
1.https://blog.csdn.net/alittlebirdsd/article/details/79194494
2.https://blog.csdn.net/a373595475/article/details/79580734
