Numpy的基础用法
1.numpy创建数组
np.array(object)：创建数组. 与array.array()不同，array.array()只能创建一维数组
np.arange(start, stop, step, dtype=None)：创建一个以step为步长的一维数组(step最好为整数)
np.linspace(start, stop, num=50, endpoint=True, dtype=None)：创建一个默认50个元素的一维数组；当endpoint为False时，数组不包含stop；输出的数组元素默认为float
上述函数创建的数组全部返回ndarray类型 （可用于数学运算与列表不同）
import numpy as np ndarray_1 = np.array([[1,2,3], [4,5,6], (7,8,9)]) print(ndarray_1) ndarray_2 = np.arange(1, 9) print(ndarray_2) ndarray_3 = np.linspace(1, 9, 9) print(ndarray_3)
2.ndarray对象的方法
ndarray.ndim：返回数组的维数
ndarray.shape：返回数组的大小
ndarray.reshape((m,n))：返回一个以(m,n)为格式的新数组
ndarry.reshape((a,)) # 多维变一维 ndarry.reshape((a,1)) # 一维或多维变二维(a行1列) ndarry.reshape((-1,a)) # 根据已知维度a推算未知维度
ndarray.size：返回数组元素的总个数
ndarray.dtype：返回数组元素的类型
ndarray.itemsize：返回数组元素的大小（以字节为单位）
import numpy as np x = np.linspace(1,18,18,dtype=int).reshape(2,3,3) print(x.ndim)# 3 print(x.shape)#(2,3,3) print(x.size)# 18 print(x.dtype)# int32 print(x.itemsize)# 4
3.numpy创建特殊数组(矩阵)(数组的元素类型默认为float)
np.empty(shape, dtype=float)：创建一个随机数组
np.empty_like(prototype, dtype=None, shape=one)：返回一个形状和类型与给定数组相同的新数组
shape：重置数组的形状，为int或int元组，例如：shape是int，则创建一个一维数组，shape是元组，则创建一个多维数组
import numpy as np arr = np.empty((2,3)) print(arr) a = np.arange(6).reshape(2,3) arr_like = np.empty_like(a) print(arr_like)
np.zeros(shape, dtype=float)：创建一个全零数组
np.zeros_like(a, dtype=None, shape=None)：创建一个和给定的数组a形状和类型相同的全零新数组
import numpy as np arr_zero = np.zeros((2,3), dtype=int)
print(arr_zero)
a = np.arange(6, dtype=float).reshape(2,3)
arr_zero_like = np.zeros_like(a)
print(arr_zero_like)
np.ones(shape, dtype=None)：创建一个全1数组
np.ones_like(a, dtype=None, shape=None)：创建一个和给定的数组a形状和类型相同的全1数组
import numpy as np arr_ones = np.ones((3,3), dtype=int) print(arr_ones) a = np.arange(9, dtype=float).reshape(3,3) arr_ones_like = np.ones_like(a) print(arr_ones_like)
np.full(shape, fill_value, dtype=None)：创建一个用fill_value填充的填充数组
np.full_like(a, fill_value, dtype=None, shape=None)：创建一个和给定数组a形状和类型相同的填充数组
import numpy as np arr_full = np.full((2,3), 3) print(arr_full) a = np.arange(6) arr_full_like = np.full_like(a, 1) print(arr_full_like)
np.eye(N, M=None, k=0, dtype=<class 'float'>)：创建一个对角线元素为1，其余元素为0的数组
M：默认等于N，就是创建一个NxN的全1矩阵
k：k为正数，则对角线上移k位；k为负数，则对角线下移k位；若|k|>=M，则数组元素全为0
np.identity(n, dtype=None)：创建 n 维单位矩阵
import numpy as np arr_eye = np.eye(3) print(arr_eye) arr_eye2 = np.eye(3, k=1) print(arr_eye2) arr_eye3 = np.eye(3, k=3) print(arr_eye3) arr_id = np.identity(3) print(arr_id)
4.数组的索引
4.1 一维数组的索引
一维数组的索引与列表的索引类似
import numpy as np a = np.arange(10) print(a[-1])# 9 print(a[5:])#[5 6 7 8 9] print(a[-5:10])#[5 6 7 8 9] # 第一个参数小于第二个时，最后一个参数要为负数，表示从后向前索引 print(a[-2:2:-1])#[8 7 6 5 4 3] # 翻转 print(a[::-1])#[9 8 7 6 5 4 3 2 1 0] print(a[5::2])#[5 7 9] # 整数索引,索引数组中的第2个，倒数第4个，第5个元素 print(a[[2,-4,5]])#[2 6 5] # 下标索引方式和原数组占用同样的存储空间，修改b时，a也会被修改 b = a[1:3] b[0] = 100 print(a)#[0,100,2,3,4,5,6,7,8,9] # 列表索引和原数组不占用同样的存储空间，修改c时，a2不会被修改 a2 = np.arange(10) c = a2[[0,1,2]] c[0] = 100 print(a2)#[0,1,2,3,4,5,6,7,8,9]
4.2 二维数组的索引
import numpy as np a = np.arange(24).reshape(4,6) # 取第一、二行的第一个元素 print(a[0,0], a[1,0]) # 取第一行的所有元素，第一行和第一列的索引下标为0，以此类推 print(a[0]) # 取第一列的所有元素 print(a[:, 0]) # 取第一行到第三行的部分元素 print(a[0:3, :3]) # 翻转 print(a[::-1, ::-1]) #a[i:j, i:j] 逗号前面的表示取行，逗号后面的表示取列
4.3 三维数组的索引
import numpy as np a = np.arange(24).reshape(2,3,4) # 可以把数组a看做一个2层楼的房子，每层有3x4个房间，第一个索引值表示位于哪一个楼层，后面的两个索引与二维数组类似 print(a[0, :, :]) # 当后面都为:时，可以用一个...代替 print(a[0,...]) # 索引第一层的第一行，第一列的元素 print(a[0, 0, 0]) # 索引两层的最后一列元素 print(a[:,:,-1])
5.numpy.random模块
np.random.rand(d0, d1, d2,..., dn)：生成一个元素值为0-1之间的随机数组
数组的形状由传入的参数决定：当不传入参数时，生成一个元素；传入一个参数时，根据参数的大小生成一个一维数组；传入两个参数时，生成一个二维数组
np.random.randn(d0,d1,d2,...,dn)：生成一个服从标准正态分布的数或数组，数组的形状由传入的参数(d1,d2,...dn)决定
import numpy as np arr1 = np.random.rand() print(arr1, '\n') arr2 = np.random.rand(6) print(arr2, '\n') arr3 = np.random.rand(2,3) print(arr3, '\n') arr4 = np.random.randn(2,3,4) print(arr4)
np.random.randint(low, high=None, size=None, dtype='l')：
从小到大返回随机整数，如果high=None，则整数的范围是[0, low)，否则为[low, high)；
若size=None，则生成一个随机整数，否则根据size来生成相对应的数组，下同
import numpy as np arr1 = np.random.randint(5) print(arr1) arr2 = np.random.randint(1, 10, (2,3)) print(arr2) # 当size前面只有一个参数时，size参数要写成size=(a,b) arr3 = np.random.randint(10,size=(2,3)) print(arr3)
np.random.normal(loc=0.0, scale=1.0, size=None)：
生成一个服从正态分布的数或数组，loc为正态分布的均值，scale为正态分布的标准差
np.random.uniform(low=0.0, high=1.0, size=None)：
生成一个服从均匀分布的数或数组，生成的所有值都大于等于low，小于high
np.random.poisson(lam=1.0, size=None)：
生成一个服从lam=1.0的泊松分布的数或数组
import numpy as np arr1 = np.random.normal(0, 1, (2,3))# 服从标准正态分布 print(arr1) arr2 = np.random.uniform(3, 5, (2,3)) print(arr2) arr3 = np.random.poisson(size=(2,3)) print(arr3)
np.random.choice(a, size=None, replace=True, p=None)：从给定的一维数组a中生成一个随机样本.
replace设定样本是否更换；p设定a中每个数被选中的概率，未给出则每个数服从均匀分布；
import numpy as np a = np.arange(5) arr1 = np.random.choice(a, (2,3)) print(arr1) arr2 = np.random.choice(a, 5, p=[0.1,0.2,0,0.7,0]) print(arr2)
np.random.shuffle(a)：随机打乱一个数组，多维数组则仅沿第一个轴随机排列，函数返回None，原数组被改变
import numpy as np a = np.arange(12) np.random.shuffle(a) print(a)
b = np.arange(12).reshape(3,4) np.random.shuffle(b) print(b)
np.random.seed(seed=None)：用于设定随机数种子
np.random.permutation(x) 可以生成x个从0-(x-1)的随机数列
6.统计函数
Numpy可以用于求数组的和与平均值
np.sum(a, axis=None, dtype=None): 用于求数组元素的和，axis=0：求每列的和，axis=1：求每行的和 (注意axis的设置)
import numpy as np data1 = np.sum(np.arange(10).reshape(2,5)) print(data1) data2 = np.sum(np.arange(10).reshape(2,5), axis=0) print(data2) data3 = np.sum(np.arange(10).reshape(2,5), axis=1) print(data3) data = np.sum([0.5, 0.7, 0.2, 1.5], dtype=np.int32)#手册的例子，不懂结果为什么为1, 因为np.int32强制数据类型转换 print(data)
np.mean(a, axis=None, dtype=None)：用于求均值
import numpy as np data1 = np.mean(np.arange(10).reshape(2,5)) print(data1) data2 = np.mean(np.arange(10).reshape(2,5), axis=0) print(data2) data3 = np.mean(np.arange(10).reshape(2,5), axis=1) print(data3)
np.average(a, axis=None, weights=None, returned=Flase)：用于求加权平均值，weights是用于加权的数组
import numpy as np data = np.average([5,10],weights=[1,2])#相当于(1*5+2*10)/(1+2) print(data)
np.var(a，axis=None)：用于求方差；
np.std(a, axis=None)：用于求标准差;
np.max(a, axis=None)：用于求最大值；
np.min(a，axis=None)：用于求最小值；
7.矩阵运算（用matlab更好一点）
Numpy用于矩阵运算的模块是numpy.linalg
numpy.transpose(a, axes=None)：用于矩阵转置，或者可以直接用 ndarray.T
numpy.dot(a, b)：一维时计算向量内积；二维时计算矩阵乘法，或者 ndarray.dot(b)
numpy.trace(a，offset=0)：用于计算矩阵的对角线元素之和
np.linalg.det(a)：用于计算行列式
np.linalg.eig(a)：用于计算方阵的特征值和特征向量
np.linalg.inv(a)：用于求逆矩阵
np.linalg.solve(a, b)：解线性方程组Ax=b
np.linalg.qr(a,mode='reduced')：用于矩阵的QR分解
np.linalg.svd(a,full_matrices=1,compute_uv=1)：用于矩阵的奇异值分解
8.数组的级联
np.concatenate((arr1,arr2,....),axis=0) (注意级联数组维度)
np.append(arr, value, axis=None)
当axis有值的时候要注意维度一致
制作九宫格
更多用法请参考：Numpy手册
