numpy
numpy元素的属性
numpy的所有值都有以下几个属性
A = np.arange(12).reshape(3, 4).astype(np.float32)
print(A.ndim)
print(A.shape)
print(A.size)
print(A.dtype)
print(A.itemsize)
# 输出结果为
# 2
# (3, 4)
# 12
# float32
# 4
A.ndim
数组轴的个数，在python的世界中，轴的个数被称作秩
A.shape
数组的维度。
A.size
数组元素的总个数。
A.dtype
元素的数据类型。
A.itemsize
数组中每个元素的字节大小。
生成数列
指定值的增量
data = np.arange(10, 30, 5)
print(data) # [10 15 20 25]
指定值的个数
data = np.linspace(1, 10, 5)
print(data) # [ 1. 3.25 5.5 7.75 10. ]
生成矩阵
data = np.array([[2, 3, 4], [4, 5, 6]], dtype=np.float32)
print(data)
# [[ 2. 3. 4.]
# [ 4. 5. 6.]]
生成全是0的矩阵
data = np.zeros((3, 4))
print(data)
# [[ 0. 0. 0. 0.]
# [ 0. 0. 0. 0.]
# [ 0. 0. 0. 0.]]
生成全是1的矩阵
data = np.ones((3, 4))
print(data)
# [[ 1. 1. 1. 1.]
# [ 1. 1. 1. 1.]
# [ 1. 1. 1. 1.]]
生成随机数据
随机生成0~1之间的数
data = np.random.random()
print(data) #0.01447623686510957
随机生成指定范围内的浮点数
data = np.random.uniform(10,20)
print(data)
# 14.646829941471552
随机整数
data = np.random.randint(10,20)
print(data)
# 17
随机生成一个矩阵
data = np.random.random((3,4))
print(data)
# [[ 0.77829489 0.63959774 0.83723733 0.95292845]
# [ 0.78949057 0.38655045 0.79205805 0.06847395]
# [ 0.5284635 0.95181041 0.39267602 0.23638718]]
多维矩阵
data = np.random.random((2,3,4))
print(data)
# [[[ 0.36605927 0.47719931 0.16654015 0.17585629]
# [ 0.66085507 0.09883734 0.22603851 0.91388161]
# [ 0.33416014 0.82187631 0.91063299 0.25781208]]
#
# [[ 0.56585862 0.09606677 0.84916434 0.26007262]
# [ 0.16145394 0.61120144 0.75447741 0.40179179]
# [ 0.55887648 0.45416114 0.17644248 0.43142769]]]
合并
A = np.array([1, 1, 1])
B = np.array([2, 2, 2])
#纵向合并
print(np.vstack((A, B)))
#横向合并
print(np.hstack((A, B)))
# [[1 1 1]
# [2 2 2]]
#
# [1 1 1 2 2 2]
增加维度
添加一个横向的维度
A = np.array([1, 1, 1])
B = A[np.newaxis, :]
print(A.shape)
print(B.shape)
print(B)
# (3,)
# (1, 3)
# [[1 1 1]]
添加一个纵向的维度
A = np.array([1, 1, 1])
B = A[:,np.newaxis]
print(A.shape)
print(B.shape)
print(B)
# (3,)
# (3, 1)
# [[1]
# [1]
# [1]]
分割
A = np.arange(12).reshape(3, 4)
print(A)
#横向分割
print(np.vsplit(A, 3))
#纵向分割
print(np.hsplit(A, 2))
#可以在参数中指定分割哪个坐标
print(np.split(A, 3, axis=0))
print(np.split(A, 2, axis=1))
#不等量分割
print(np.array_split(A, 3, axis=1))
深层拷贝
在numpy中直接用"="号赋值,相当于赋予的是指针,赋值前后的"两个"变量是同"一个"变量.比如,下面的变量a,b,改变a,b也会跟着变化.
a = np.array([1, 2, 3])
b = a
a[0] = 666
print(a)
print(b)
#[666 2 3]
#[666 2 3]
如果想要两个变量不关联,需要这样拷贝
b = a.copy()
运算
numpy中矩阵的加法减法的运算和普通的加减运算相同,但是矩阵乘法的运算需要用dot函数,如下
A = np.array([[2, 3],
[4, 7]])
B = np.array([[1, 2],
[3, 4]])
print(A + B)
print(A - B)
print(np.dot(A, B))
# [[ 3 5]
# [ 7 11]]
#
# [[1 1]
# [1 3]]
#
# [[11 16]
# [25 36]]
索引与切片
numpy中的索引与切片功能比python中的切片更加强大
索引多维数组
data = np.random.random((3,4,5))
print(data[0,2,3])
TIM截图20171127115021.png
索引多维数组的时候也可以用切片
data = np.random.random((3,4,5))
print(data[1,:,3])
print(data[:2,:,3])
