numpy基础一
常用，常忘
1.随机矩阵
np.random.rand(4,3)
array([[ 0.06679473, 0.71073515, 0.5694172 ],
[ 0.95018143, 0.60161401, 0.8076899 ],
[ 0.40341822, 0.72154255, 0.92283012],
[ 0.81143322, 0.87853742, 0.38013707]])
np.random.randint(0,10,(4,3))
array([[1, 9, 5],
[6, 1, 1],
[8, 2, 0],
[3, 4, 3]])
numpy概览
import numpy as np
array=np.array([1,2,3,4])
array.shape
(4,)
array2=np.array([[1,2,3,4],[2,3,4,1]])
array2.shape
(2, 4)
array3=np.array([[1,2,3,4],[2,3,4,1]])
type(array3)
numpy.ndarray
np.array的结构
1. dtype 数据类型
2. itemsize 占了多少字节
3. shape 形状
4. size 数据个数
5. ndim 维度
6. fill填充
7. 索引和切片
* 要求array里面的数据是同一种类型，如果不是，numpy会转为一种
* int<float<String（取值类型顺序）
import numpy as np
array1=np.array([1,2,3,4])
array1.dtype
# >>> dtype('int32')
array2=np.array([1,2,3,4.5])
array2.dtype
#>>> dtype('float64')
array3=np.array([1,'2',3,4.5])
array3.dtype
#>>>dtype('<U11')
weidu=np.array([[1,2,3],[1,3,2],[4,2,1]])
print(weidu.dtype)
print(weidu.itemsize)
print(weidu.shape)
print(weidu.size)
print(weidu.ndim)
#>>> nt32
#>>> 4
#>>> (3, 3)
#>>> 9
#>>> 2
weidu2=np.array([[1,2,3],[1,3,2],[4,2,1]])
weidu2.fill(0)
print(weidu2)
# >>>
[[0 0 0]
[0 0 0]
[0 0 0]]
矩阵格式（多维的形式）
- 多维度的取值方式和list不同
- nb.array.copy 深度复制
- arange(0,100,10) 0到100 , 差值10构造等差数组
- 布尔数组作为索引取值
- 随机值random.rand(10) 0到1制作10个随机数 生成np数组
weidu3=np.array([[1,2,3],[1,3,2],[4,2,1]])
print(weidu3[1,1])
print(weidu[:,1]) #每一行的第二个数
print(weidu[:,0:2]) #每一行的第一和第二个数
weidu[:,0:2][0,1]
#>>>
3
[2 3 2]
[[1 2]
[1 3]
[4 2]]
2
one=np.array([[1,2],[3,4]])
oneCopy=one.copy()
oneCopy[0,1]=100
print(one)
print(oneCopy)
#>>>
[[1 2]
[3 4]]
[[ 1 100]
[ 3 4]]
pan_array=np.array([1,2,3,4,5,6],dtype=np.float32)
print(pan_array)
print(pan_array.dtype)
print(pan_array.nbytes) # 32位 四个字节 * 6 =24B
#>>>
[1. 2. 3. 4. 5. 6.]
float32
24
布尔数组作为索引取值
indexs=np.array([0,1,0,2,0,1,0],dtype=bool)
print(indexs)
numbers=np.array([10,20,30,4,5,7,8])
result=numbers[indexs] #在索引为true的地方取值
print(result)
#>>>>
[False True False True False True False]
[20 4 7]
随机数转化为布尔值
random_array=np.random.rand(10)
print(random_array)
boolarray=random_array>0.5
print(boolarray)
#>>>
[0.18501146 0.03588 0.04643065 0.88957392 0.15500452 0.49480942
0.28144087 0.83287192 0.72878256 0.66462199]
[False False False True False False False True True True]
按条件找到索引
array_index=np.array([1,2,3,4,5,6,8,2,1,3,11,6,8,12])
result=np.where(array_index > 8)
print(result)
print(array_index[np.where(array_index > 8)])
#>>>
(array([10, 13], dtype=int64),)
[11 12]
np.asarray 重新给np.array指定数值类型---深度copy
pan_int32=np.array([1,2,3],dtype=np.int32)
pan_float32=np.asarray(pan_int32,dtype=np.float32)
print(pan_float32)
print(pan_int32)
np.array的数值计算
- sum 求和
- prod 求积
- min 最小值
- max 最大值
- argmin最小值的索引
- argmax最大值的索引
- mean求平均值
- std 标准差
- var 方差
- clip 限定边界值
- round
- 轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。
import numpy as np
pan_array=np.array([[1,2,3],[1,2,3]])
print(pan_array)
print(pan_array.ndim)
sum
np.sum(pan_array)
#>>> 12
指定操作沿着什么轴进行
np.sum(pan_array,axis=0)
#>>> array([2, 4, 6])
np.sum(pan_array,axis=1)
#>>> array([6, 6])
-1指定最后一个维度
np.sum(pan_array,axis=-1)
#>>>
array([6, 6])
prod 求积
array_prod=np.array([[1,2,3,4],[2,2,3,5]])
array_prod.prod()
#>>>
1440
array_prod.prod(axis=0)
#>>>
array([ 2, 4, 9, 20])
array_prod.prod(axis=1)
#>>>
array([24, 60])
array_prod.prod(axis=-1)
#>>>
array([24, 60])
min最小值
array_min=np.array([[1,22,3,5],[1,12,6,7]])
array_min.min()
#>>>
1
array_min.min(axis=0)
#>>>
array([ 1, 12, 3, 5])
array([ 1, 12, 3, 5])
#>>>
array([1, 1])
max最大值
array_max=np.array([[1,2,3,4,5],[5,4,3,2,1]])
array_max.max()
#>>>
5
array_max.max(axis=0)
#>>>
array([5, 4, 3, 4, 5])
array_max.max(axis=1)
#>>>
array([5, 5])
argmin最小值索引
argmin=np.array([[1,2,3],[2,1,4]])
argmin.argmin()
#>>>
0
argmin.argmin(axis=0)
#>>>
array([0, 1, 0], dtype=int64)
argmin.argmin(axis=1)
#>>>
array([0, 1], dtype=int64)
argmax
argmax=np.array([[12,5,77,1],[2,3,4,6]])
argmax.argmax()
#>>>
2
argmax.argmax(axis=0)
#>>>
array([0, 0, 0, 1], dtype=int64)
argmax.argmax(axis=1)
#>>>
array([2, 3], dtype=int64)
mean 平均值
array_mean=np.array([[1,2,3,4],[2,3,4,5]])
array_mean.mean()
#>>>
3.0
array_mean.mean(axis=0)
#>>>
array([1.5, 2.5, 3.5, 4.5])
array_mean.mean(axis=1)
#>>>
array([2.5, 3.5])
std 标准差
array_std=np.array([[1,2,3,4],[2,3,4,5]])
array_std.std()
#>>>
1.224744871391589
array_std.std(axis=0)
#>>>
array([0.5, 0.5, 0.5, 0.5])
array_std.std(axis=-1)
#>>>
array([1.11803399, 1.11803399])
var 方差
array_var=np.array([[1,2,3],[2,3,4]])
array_var.var()
#>>>
0.9166666666666666
array_var.var(axis=0)
#>>>
array([0.25, 0.25, 0.25])
array_var.var(axis=1)
#>>>
array([0.66666667, 0.66666667])
clip 边界限定 (超过边界，就按边界取值)
array_clip=np.array([[1,2,3,4],[2,3,4,5]])
array_clip=np.array([[1,2,3,4],[2,3,4,5]])
array_clip.clip(2,4)
#>>>
array([[2, 2, 3, 4],
[2, 3, 4, 4]])
round四舍五入
array_round=np.array([[1.111,2.222,3.333,4.444],[2.111,3.222,4.333,5.444]])
array_round.round(decimals=1)
#>>>>
array([[1.1, 2.2, 3.3, 4.4],
[2.1, 3.2, 4.3, 5.4]])
array_round.round(decimals=2)
#>>>
array([[1.11, 2.22, 3.33, 4.44],
[2.11, 3.22, 4.33, 5.44]])
numpy 排序
- sort 升序排序
- argsort 排序后的位置
- linspace 等差出列造数据
- searchsorted 插入序列,返回位置
- lexsort 多维度排序
import numpy as np
sort
array_sort=np.array([5,1,2,3,4,5])
array_sort.sort()
print(array_soprt)
#>>>
[1 2 3 4 5 5]
argsort
array_argsort=np.array([1,5,2,1,3,24,2,6,5])
array_argsort.argsort()
#>>>
array([0, 3, 2, 6, 4, 1, 8, 7, 5], dtype=int64)
lispace
array_linspace=np.linspace(1,10,10)
print(array_linspace)
#>>>
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
searchsorted 查看值的位置
array_linspace=np.linspace(1,10,10)
value=np.array([1,3,4,6])
np.searchsorted(array_linspace,value)
# >>>
array([0, 2, 3, 5], dtype=int64)
print(array_linspace)
print(value)
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
[1 3 4 6]
lexsort
one=np.array([6,2,4,1,2,3,4,5,6])
two=np.array([1,2,3,4,5,5,6,7,8])
result=np.lexsort([two,one])
result
array([3, 1, 4, 5, 2, 6, 7, 0, 8], dtype=int64)
数组形状
- arange(i) 生成0到i的序列,不包括i
- shape 维度/形状
- reshape 重新设置形状
- newaxis 新的维度
- squeeze 去掉空维度
- transpose/T 变化形状
- concatenate 矩阵链接
- vstack 垂直合并
- hstack 水平合并
- flatten
- ravel
arange
array_arange=np.arange(10)
print(array_arange)
#>>>
[0 1 2 3 4 5 6 7 8 9]
shape
array_shape=np.arange(10)
array_shape.shape
#>>>
(10,)
reshape
array_reshape=np.arange(10)
array_reshape.reshape(1,10) #大小必须不能改变 10个元素,变化后还是10个
#>>>
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
数组的形状
- arange(i) 生成0到i的序列,不包括i
- shape 维度/形状
- reshape 重新设置形状
- newaxis 新的维度
- squeeze 去掉空维度
- transpose/T 变化形状
- concatenate 矩阵链接
- vstack 垂直合并
- hstack 水平合并
- flatten
- ravel
arange
array_aange=np.arange(10)
#>>>
[0 1 2 3 4 5 6 7 8 9]
shape
array_shape=np.arange(10)
array_shape.shape
#>>>
(10,)
reshape
array_reshape=np.arange(10)
array_reshape.reshape(1,10) #大小必须不能改变 10个元素,变化后还是10个
#>>>
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
newaxis
array_newaxis=np.arange(10)
array_newaxis=array_newaxis[np.newaxis,:]
print(array_newaxis)
print(array_newaxis.shape)
# >>>
[[0 1 2 3 4 5 6 7 8 9]]
(1, 10)
array_newaxis=np.arange(10)
array_newaxis=array_newaxis[:,np.newaxis]
print(array_newaxis)
print(array_newaxis.shape)
#>>>
[[0]
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]]
(10, 1)
squeeze
array_newaxis=np.arange(10)
array_newaxis=array_newaxis[:,np.newaxis,np.newaxis]
print(array_newaxis)
print(array_newaxis.shape)
#>>>
[[[0]]
[[1]]
[[2]]
[[3]]
[[4]]
[[5]]
[[6]]
[[7]]
[[8]]
[[9]]]
(10, 1, 1)
array_squeeze=array_newaxis.squeeze()
print(array_squeeze)
#>>>
[0 1 2 3 4 5 6 7 8 9]
transpose 形状转换
array_transpose=np.array([[1,2,3,4,5],[2,3,4,5,6]])
array_transpose.transpose()
#>>>
array([[1, 2],
[2, 3],
[3, 4],
[4, 5],
[5, 6]])
concatenate数组链接
a=np.array([[1,2,3,4,5],[5,4,3,2,1]])
b=np.array([[0,9,8,7,6],[6,7,8,9,0]])
array_concatenate=np.concatenate((a,b))
print(array_concatenate)
#>>>
[[1 2 3 4 5]
[5 4 3 2 1]
[0 9 8 7 6]
[6 7 8 9 0]]
array_concatnate_axis=np.concatenate((a,b),axis=1)
print(array_concatnate_axis)
#>>>
[[1 2 3 4 5 0 9 8 7 6]
[5 4 3 2 1 6 7 8 9 0]]
array_concatnate_axis.shape
#>>>
(2, 10)
vstack 垂直合并
a=np.array([[1,2,3,4,5],[5,4,3,2,1]])
b=np.array([[0,9,8,7,6],[6,7,8,9,0]])
np.vstack((a,b))
#>>>
array([[1, 2, 3, 4, 5],
[5, 4, 3, 2, 1],
[0, 9, 8, 7, 6],
[6, 7, 8, 9, 0]])
hstack 水平合并
np.hstack((a,b)) 水平合并
#>>>
array([[1, 2, 3, 4, 5, 0, 9, 8, 7, 6],
[5, 4, 3, 2, 1, 6, 7, 8, 9, 0]])
flatten 合并成一行
array_flatten=np.array([[1,2,3,4],[4,5,6,7]])
array_flatten.flatten()
#>>>
array([1, 2, 3, 4, 4, 5, 6, 7])
revel合并成一行
array_ravel=np.array([[1,2,3,4],[4,5,6,7]])
array_ravel.ravel()
#>>>
array([1, 2, 3, 4, 4, 5, 6, 7])
数组的生成
- arange
- linspace
- logspace
- meshgrid
- r_
- c_
- zeros
- ones
- empty
- fill
- zeros_like
- ones_likes
- identity 基准矩阵
range
array_arange=np.arange(10)
print(array_arange)
array_arang_b=np.arange(1,10,2)
print(array_arang_b)
array_arange_c=np.arange(1,10,5,dtype=np.float32)
#>>>
[0 1 2 3 4 5 6 7 8 9]
[1 3 5 7 9]
linspace
array_linspace=np.linspace(1,10) ##默认等差数列个数为 50。
print(array_linspace)
array_linpsace_a=np.linspace(1,10,2)
#>>>
[1. 1.18367347 1.36734694 1.55102041 1.73469388 1.91836735
2.10204082 2.28571429 2.46938776 2.65306122 2.83673469 3.02040816
3.20408163 3.3877551 3.57142857 3.75510204 3.93877551 4.12244898
4.30612245 4.48979592 4.67346939 4.85714286 5.04081633 5.2244898
5.40816327 5.59183673 5.7755102 5.95918367 6.14285714 6.32653061
6.51020408 6.69387755 6.87755102 7.06122449 7.24489796 7.42857143
7.6122449 7.79591837 7.97959184 8.16326531 8.34693878 8.53061224
8.71428571 8.89795918 9.08163265 9.26530612 9.44897959 9.63265306
9.81632653 10. ]
logspace
np.logspace(0,1,5) # 10的0次幂到10的1次幂 5个等比列数据
#>>>
array([ 1. , 1.77827941, 3.16227766, 5.62341325, 10. ])
meshgrid
x=np.linspace(-10,10,5)
print(x)
y=np.linspace(-20,20,5)
print(y)
#>>>
[-10. -5. 0. 5. 10.]
[-20. -10. 0. 10. 20.]
x1,y1=np.meshgrid(x,y)
print(x1)
print(y1)
#>>>
[[-10. -5. 0. 5. 10.]
[-10. -5. 0. 5. 10.]
[-10. -5. 0. 5. 10.]
[-10. -5. 0. 5. 10.]
[-10. -5. 0. 5. 10.]]
[[-20. -20. -20. -20. -20.]
[-10. -10. -10. -10. -10.]
[ 0. 0. 0. 0. 0.]
[ 10. 10. 10. 10. 10.]
[ 20. 20. 20. 20. 20.]]
r_ row 行向量
np.r_[0:10:1]
#>>>
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
c_ col 列向量
np.c_[0:10:1]
#>>>
array([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]])
zeros填充0
np.zeros(5)
array([0., 0., 0., 0., 0.])
np.zeros((5,5))
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
ones填充1
np.ones(5)
#>>>
array([1., 1., 1., 1., 1.])
np.ones((5,5))
array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
empty空地址
np.empty(5)
np.empty((5,5))
fill 自定义填充
a=np.empty((5,5))
a.fill(3)
print(a)
#>>>
[[3. 3. 3. 3. 3.]
[3. 3. 3. 3. 3.]
[3. 3. 3. 3. 3.]
[3. 3. 3. 3. 3.]
[3. 3. 3. 3. 3.]]
zeros_like ones_like
temp=np.arange(0,10,2)
print(temp)
#>>>
[0 2 4 6 8]
result=np.zeros_like(temp)
print(result)
#>>>
[0 0 0 0 0]
result_ones=np.ones_like(temp)
print(result_ones)
#>>>
[1 1 1 1 1]
identity 对角矩阵
np.identity(5)
#>>>
array([[1., 0., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 0., 0., 1.]])
