Numpy学习笔记

numpy笔记

#!/usr/bin/env python
# _*_ coding:utf-8 _*_
# @Time    : 2018/11/25 21:01


# ndarray.ndim：数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
# ndarray.shape：数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有n行和m列的矩阵，shape将是(n,m)。因此，shape元组的长度就是rank或维度的个数 ndim。
# ndarray.size：数组元素的总数。这等于shape的元素的乘积。
# ndarray.dtype：一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
# ndarray.itemsize：数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。
# ndarray.data：该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。
#

import numpy as np
from numpy import pi
# a = np.arange(15).reshape(3,5)

# print(a)
# # 纬度ndim
# print(a.ndim)
# # 几行几列
# print(a.shape)
#
# print(type(np.array([6,7,8])))


# a = np.array([2,3,4])
# print(a)

# 二维数组
# b = np.array([(1,2,3,4),(6,7,8,9)],dtype=complex)
# print(b)

# 生成0/1矩阵
# print(np.zeros((3,4),dtype=np.int))
# print(np.ones((3,4),dtype=int))

# 三维的
# print(np.zeros((3,4,5),dtype=np.int16))
# print(np.ones((3,4,5),dtype=np.int16))

# print(np.empty((2,3)))

# 生成等差数列
# print(np.arange(3,97,5))
# print(np.arange(0,2,0.3))

# print(np.linspace(0,2,9))

# x = np.linspace(0,2*pi,100)
#
# f = np.exp(x)
# g = np.sin(x)
# print(f,g)


# print(np.arange(100).reshape((10,10)))
#
# print(np.arange(2*3*4).reshape((2,3,4)))

# a = np.array([20,30,40,50])
# b = np.arange(4)
#等位数组之间进行四则运算对影位置运算
# print(a,b,a-b)
#
# print(b**2,10*np.sin(a))
# print(10*np.sin(a)>1)
# # 生成判断数组
# print(a<35)

# c = np.arange(24).reshape((2,3,4))
# print(c>12)
# print()

# A = np.array( [[1,1],[0,1]] )
# B = np.array( [[2,0],[3,4]] )

# print(A,B)
# 元素级别的乘法运算
# print(A*B)

# 矩阵乘法运算-dot函数
# print(A.dot(B))

# a = np.ones((2,3),dtype=int)
# b = np.random.random((2,3))
#
# print(a,b)
# # 某些操作例如*= += 适用于数组的对应元素操作结果数组不改变原来的shape，而不适用于去创建新数组
# a*=3
# print(a)
# b+=a
# print(b)

# a = np.random.random((2,3))
# print(a)
# print(a.sum(),a.min(),a.max())

b = np.arange(12).reshape((3,4))
print(b)
print(b.sum(axis=0),b.sum(axis=1))

持续更新。。