Python——Numpy数组

数组的定义

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

ndarray 对象是用于存放同类型元素的多维数组。

ndarray 中的每个元素在内存中都有相同存储大小的区域。

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

参数说明：

名称	描述
object	数组或嵌套的数列
dtype	数组元素的数据类型，可选
copy	对象是否需要复制，可选
order	创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok	默认返回一个与基类类型一致的数组
ndmin	指定生成数组的最小维度

数组的属性

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型
ndarray.itemsize	ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray 对象的内存信息
ndarray.real	ndarray元素的实部
ndarray.imag	ndarray 元素的虚部
ndarray.data	包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

数组的创建方式

• numpy.empty(shape, dtype = float, order = 'C') 创建一个未初始化的数值
  order有两个选项："C"和"F"；分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

• numpy.zeros(shape, dtype = float, order = 'C') 创建指定大小的数组，数组元素以 0 来填充
  order有两个选项：'C' 用于 C 的行数组，或者 'F' 用于 FORTRAN 的列数组

• numpy.ones(shape, dtype = None, order = 'C') 创建指定形状的数组，数组元素以 1 来填充

• numpy.asarray(a, dtype = None, order = None)
  numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。
  a可以是任意行事的输入，例如列表，元组，多维数组

• numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)
  numpy.frombuffer 用于实现动态数组。
  numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。
  buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。

  count读取的数据数量，默认为-1，读取所有数据。offset读取的起始位置，默认为0。

  import numpy as np 
   
  s =  b'Hello World' 
  a = np.frombuffer(s, dtype =  'S1')  
  print (a)
  

• numpy.fromiter(iterable, dtype, count=-1) numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。

  import numpy as np 
   
  # 使用 range 函数创建列表对象  
  list=range(5)
  it=iter(list)
   
  # 使用迭代器创建 ndarray 
  x=np.fromiter(it, dtype=float)
  print(x)
  

• numpy.arange(start, stop, step, dtype) 根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。
  start起始值，默认为0；stop终止值（不包含）；step步长，默认为1

• np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 创建一个一维数组，数组是一个等差数列构成的
  num要生成的等步长的样本数量，默认为50；endpoint该值为 true 时，数列中包含stop值，反之不包含，默认是True。；retstep如果为 True 时，生成的数组中会显示间距，反之不显示。

• np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None) 创建一个等比数列
  base对数 log 的底数。

数组的索引方法

简单的方法就是利用下标，例如array[1:5]这类的方法

常见的数据操作

1. numpy.reshape(arr, newshape, order='C') 在不改变数据的条件下 修改数组的形状

2. ndarray.flat 数组元素迭代器

   import numpy as np
   a = np.arange(9).reshape(3,3)
   for element in a:
   	print(element)
   for element in a.flat:
   	print(element)
   

3. ndarray.flatten(order='C') 返回一份数组拷贝， 对拷贝所做的修改不会影响原始数据
   order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。

   import numpy as np
   a = np.arange(9).reshape(3,3)
   print(a)
   print(a.flatten())
   print(a.flatten(order='F'))
   print(a.flatten(order='A'))
   print(a.flatten(order='K'))
   

4. numpy.ravel(a, order='C') 返回展开数组。返回的是一个视图，对其操作会对原始数据有影响

   import numpy as np
   a = np.arange(8).reshape(2,4)
   print (a)
   print (a.ravel())
   print (a.ravel(order = 'F'))
   

   

5. numpy.transpose(arr, axes) 用于对换数组的维度
   arr：要操作的数组；axes：整数列表，对应维度，通常所有维度都会对换。

6. numpy.expand_dims(arr, axis) 通过在指定位置插入新的轴来扩展数组形状
   arr：输入数组; axis：新轴插入的位置

   import numpy as np
   x = np.array(([1,2],[3,4]))
   print(x.shape)
   x = np.expand_dims(x, 1)
   print(x.shape)
   

   

7. numpy.squeeze(arr, axis)从给定数组的形状中删除一维的条目

   import numpy as np
   x = np.arange(20).reshape(2,1,2,5)
   print(x.shape)
   x = np.squeeze(x)
   print(x.shape)
   

   
   注意 不表明维度的情况下，squeeze会自动压缩维度大小为1的维度。如果需要压缩的维度大小不为1，回报错的。

8. numpy.concatenate((a1, a2, ...), axis) 用于沿指定轴连接相同形状的两个或多个数组

9. numpy.stack(arrays, axis) 用于沿新轴连接数组序列

10. numpy.split(ary, indices_or_sections, axis) 沿特定的轴将数组分割为子数组
    indices_or_sections：如果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）

11. numpy.array_split(ary, indices_or_sections, axis) 可以不规则的切分数组。 split要求对数据均匀切分，而array_split可以切分成不同的形状

12. numpy.append(arr, values, axis=None)在数组的末尾添加值。 追加操作会分配整个数组，并把原来的数组复制到新数组中。

13. numpy.insert(arr, obj, values, axis)在给定索引之前，沿给定轴在输入数组中插入值。

14. numpy.delete(arr, obj, axis) 返回从输入数组中删除指定子数组的新数组

15. numpy.unique(arr, return_index, return_inverse, return_counts)用于去除数组中的重复元素return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储; return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储; return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数

16. numpy.clip(array, min, max) 使数组数值在上下限范围内

17. np.trim_zeros(array) 除去数组中前面和后面的0

18. np.full(size, data, dtype) 以data填入size形成一个array

数据分布

1. np.arange：从范围内选取所有整数（左闭右开）

2. numpy.random.choice 从一定范围内随机选取几个

3. numpy.random.uniform 均匀分布

4. numpy.random.randn 正态分布

5. numpy.random.random 随机数 浮点数

6. numpy.random.rand 0-1分布 随机数

7. numpy.random.choice(a, size=None, replace=True, p=None)
   从a(只要是ndarray都可以，但必须是一维的)中随机抽取数字，并组成指定大小(size)的数组
   replace:True表示可以取相同数字，False表示不可以取相同数字
   数组p：与数组a相对应，表示取数组a中每个元素的概率，默认为选取每个元素的概率相同。

8. 随机数，可以直接调用np.random.rand()
   但是设定一个随机种子np.random.seed()，你可以实现每次获取相同的随机数

9. np.random.permutation()随机排列序列 效果同shuflle 内部调用了shuffle

   shuffle 的参数只能是 array_like，而 permutation 除了 array_like 还可以是 int 类型，如果是 int 类型，那就随机打乱 numpy.arange(int)。

   shuffle 返回 None，这点尤其要注意，也就是说没有返回值，而 permutation 则返回打乱后的 array。

检查元素 判断 及集合操作

• np.any() 是否有假
• np.all() 是否全为真
• np.inld(array1, array2) 判断2是否是1的子集
• np.intersection() 输出的数据则是不重复的
• np.setdiff1d() 与in1d()相反，寻找与y不同的数值
• np.setxor1d() 寻找只在x或者y中存在的数据 并输出
• np.union1d() 寻找共同子集
• np.correlate() 两个序列的相关性

tips

1. 行向量或者一维向量没有办法直接转置，转置后一维向量应该是二维，但是直接使用transpose是没有办法达到的
   所以我们需要对维度下刀

2. np.bincount(array, weights, minlength) 数组内数字统计
   weight是指数据的权重，默认权重为1，minlength指的是array的值域大小，当值域不满足minlength时，后面默认补0.

3. np.astype 可以转换数组值 数据类型