numpy总结

numpy具有如下功能：

• ndarray数组：一个具有矢量算术运算和复杂广播能力的多维数组，具有快速且节省空间的特点；
• 对整组数据进行快速运算的标准数学函数（无需编写循环）；
• 线性代数、随机数生成以及傅里叶变换功能；
• 读写磁盘数据、操作内存映射文件。

简单使用：

import numpy as np

a=np.array([1,2,3,4])

numpy的基本结构是narray数组，narray数组有如下优点：

• ndarray数组中所有元素的数据类型相同、数据地址连续，批量操作数组元素时速度更快。而list列表中元素的数据类型可能不同，需要通过寻址方式找到下一个元素。
• ndarray数组支持广播机制，矩阵运算时不需要写for循环。
• NumPy底层使用C语言编写，内置并行计算功能，运行速度高于Python代码。

#创建数组
# 从list创建array 
a = [1,2,3,4,5,6]  # 创建简单的列表
b = np.array(a)    # 将列表转换为数组
c = np.arange(0,10,2)#创建元素从0到10依次递增二的数组

#创建3x3全零的数组
a = np.zeros([3,3])
#创建3x3全1的数组
np.ones([3,3])

查看ndarray数组的属性

• shape：数组的形状 ndarray.shape，1维数组（N, ），二维数组（M, N），三维数组（M, N, K）。
• dtype：数组的数据类型。
• size：数组中包含的元素个数 ndarray.size，其大小等于各个维度的长度的乘积。
• ndim：数组的维度大小，ndarray.ndim, 其大小等于ndarray.shape所包含元素的个数。

改变ndarray数组的数据类型和形状

b = a.astype(np.int64)#把a数组的元素的数据类型全改为int64

c = a.reshape([1, 9])#把a的形状改为1x9

 ndarray数组的基本运算

• 标量和ndarray数组之间的运算（数组的每个元素都和标量做运算）
• 两个ndarray数组之间的运算（数组的对应元素做运算）

数组切片

a = np.arange(30)
b = a[4:7]#b=[4,5,6]

ndarray数组的统计方法

• mean：计算算术平均数，零长度数组的mean为NaN。
• std和var：计算标准差和方差，自由度可调（默认为n）。
• sum ：对数组中全部或某轴向的元素求和，零长度数组的sum为0。
• max和min：计算最大值和最小值。
• argmin和argmax：分别为最大和最小元素的索引。
• cumsum：计算所有元素的累加。
• cumprod：计算所有元素的累积。

#例
arr = np.array([[1,2,3], [4,5,6], [7,8,9]])
arr.mean(), np.mean(arr)

随机数np.random

np.random.rand(3, 3)#生成3x3的均匀分布

np.random.randn(3, 3)#生成3x3的标准正态分布

随机打乱ndarray数组顺序

# 生成一维数组
a = np.arange(0, 30)
print('before random shuffle: ', a)
# 打乱一维数组顺序
np.random.shuffle(a)
print('after random shuffle: ', a)

线性代数

• diag：以一维数组的形式返回方阵的对角线（或非对角线）元素，或将一维数组转换为方阵（非对角线元素为0）。
• dot：矩阵乘法。
• trace：计算对角线元素的和。
• det：计算矩阵行列式。
• eig：计算方阵的特征值和特征向量。
• inv：计算方阵的逆。

NumPy保存和导入文件

文件读写

# 使用np.fromfile从文本文件'housing.data'读入数据
# 这里要设置参数sep = ' '，表示使用空白字符来分隔数据
# 空格或者回车都属于空白字符，读入的数据被转化成1维数组
d = np.fromfile('./work/housing.data', sep = ' ')

文件保存

# 产生随机数组a
a = np.random.rand(3,3)
np.save('a.npy', a)

# 从磁盘文件'a.npy'读入数组
b = np.load('a.npy')

# 检查a和b的数值是否一样
check = (a == b).all()
check # True