numpy的基本使用方法

#导入numpy
import numpy as np

#声明一个array,第一参数要用列表和列表中的列表，第二个参数dtype声明元素格式
array=np.array([[1,2,3],
              [2,3,4]],dtype=np.int64)
array.dtype

dtype('int64')

#维度
array.ndaim

#形状
array.shape//两行三列

(2, 3)

#数量
array.size//元素数量

#0矩阵
a=np.zeros((3,4))
a

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

#单位矩阵
a=np.ones((3,4))
a

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

#有序矩阵
a=np.arange(10,20,2)#从10到19，步长为2的有序数列
a

array([10, 12, 14, 16, 18])

#reshape:重新定义行和宽
a=np.arange(12).reshape(3,4)
a

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

#linspace:生成线段矩阵
a=np.linspace(1,10,5)#矩阵元素从1到10，共有5个元素，每个元素之间间隔相等
a

array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ])

#nupy一维矩阵基础运算
a=np.array([10,20,30,40])
b=np.arange(4)

array([10, 19, 28, 37])

#减法
c=a-b
c

array([10, 19, 28, 37])

#加法
c=a+b
c

array([10, 21, 32, 43])

#平方
c=b**2
c

array([0, 1, 4, 9], dtype=int32)

#立方
c=b**3
c

array([ 0,  1,  8, 27], dtype=int32)

#三角函数sin cos tan
c=np.sin(a)#对a中的每个元素使用sin函数
c

array([-0.54402111,  0.91294525, -0.98803162,  0.74511316])

#判断矩阵中有那些元素满足条件
#返回一个列表，如果原先位置上的元素不符合条件则为false
b<3

array([ True,  True,  True, False])

#numpy二维矩阵运算
a=np.array([[1,1],
           [0,1]])
b=np.arange(4).reshape((2,2))

array([[0, 1],
       [2, 3]])

#二维矩阵的乘法有两种：一种是对应位置上的元素相乘，一种是符合矩阵乘法
c=a*b
c_dot=a.dot(b)
c_dot2=b.dot(a)
print(c)
print(c_dot)
print(c_dot2)

[[0 1]
 [0 3]]
[[2 4]
 [2 3]]
[[0 1]
 [2 5]]

#生成随机矩阵
a=np.random.random((2,4))
a

array([[0.12211839, 0.99464928, 0.56834017, 0.14783266],
       [0.31955459, 0.09813546, 0.36572719, 0.77154438]])

np.sum(a)#求和

3.387902131846119

np.min(a)#求最小值

0.09813546195219025

np.max(a)#求最大值

0.9946492833863441

np.sum(a,axis=1)#每一行单独求和

array([1.83294051, 1.55496162])

np.min(a,axis=1)#每一行单独求出最小值

array([0.12211839, 0.09813546])

np.max(a,axis=1)#每一行单独求出最大值

array([0.99464928, 0.77154438])

A=np.arange(2,14).reshape((3,4))
A

array([[ 2,  3,  4,  5],
       [ 6,  7,  8,  9],
       [10, 11, 12, 13]])

#输出最小值的索引
np.argmin(A)

#输出最大值的索引
np.argmax(A)

#计算平均值
np.mean(A)
np.average(A)

7.5

#按行计算平均值
np.mean(A,axis=1)

array([12.5,  8.5,  4.5])

#计算中位数
np.median(A)

7.5

#累加
np.cumsum(A)

array([ 2,  5,  9, 14, 20, 27, 35, 44, 54, 65, 77, 90], dtype=int32)

#累差，两个元素之间的差
np.diff(A)

array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

#找出非0的数
np.nonzero(A)#分别输出两列，一列是非零元素的横坐标，一列是非零元素的纵坐标

(array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64),
 array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))

#排序
A=np.arange(14,2,-1).reshape((3,4))
np.sort(A)

array([[11, 12, 13, 14],
       [ 7,  8,  9, 10],
       [ 3,  4,  5,  6]])

#转置
np.transpose(A)
A.T

array([[14, 10,  6],
       [13,  9,  5],
       [12,  8,  4],
       [11,  7,  3]])

#截取:小于最小值的数赋于最小值，大于最大值的数赋予最大值
np.clip(A,5,9)#参数分别为，矩阵，最小值，最大值

array([[9, 9, 9, 9],
       [9, 9, 8, 7],
       [6, 5, 5, 5]])

#numpy的索引
A=np.arange(3,15).reshape((3,4))
print(A)
A[1][1]#也可以用A[1,1]

[[ 3  4  5  6]
 [ 7  8  9 10]
 [11 12 13 14]]





12

A[1,:]#第二行的所有数

array([ 7,  8,  9, 10])

#迭代每一行
for row in A:
    print(row)

[3 4 5 6]
[ 7  8  9 10]
[11 12 13 14]

#迭代每一列，先将A转置
for col in A.T:
    print(col)

#将多维矩阵转换成一个序列
A.flatten()

array([ 3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

#迭代矩阵中的每个元素
for item in A.flat:
    print(item)

#numpy array合并
A=np.array([1,1,1])
B=np.array([2,2,2])

#上下合并
np.vstack((A,B))

array([[1, 1, 1],
       [2, 2, 2]])

#左右合并
np.hstack((A,B))

array([1, 1, 1, 2, 2, 2])

#增加维度
A[:,np.newaxis]

array([[1],
       [1],
       [1]])

A=A[:,np.newaxis]
B=B[:,np.newaxis]
print(A)
print(B)

[[1]
 [1]
 [1]]
[[2]
 [2]
 [2]]

np.vstack((A,B))

array([[1],
       [1],
       [1],
       [2],
       [2],
       [2]])

np.hstack((A,B))

array([[1, 2],
       [1, 2],
       [1, 2]])

#axis=0是上下合并，axis=1是左右合并
np.concatenate((A,B,B,A),axis=1)

array([[1, 2, 2, 1],
       [1, 2, 2, 1],
       [1, 2, 2, 1]])

#numpy array分割
A=np.arange(12).reshape((3,4))
A

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

#纵向分割
np.split(A,2,axis=1)#纵向分成2块

[array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2,  3],
        [ 6,  7],
        [10, 11]])]

#横向分割
np.split(A,3,axis=0)#纵向分成3块

[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

#不等量分割
np.array_split(A,3,axis=1)

[array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2],
        [ 6],
        [10]]), array([[ 3],
        [ 7],
        [11]])]

#纵向分割
np.vsplit(A,3)

[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

#横向分割
np.hsplit(A,2)

[array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2,  3],
        [ 6,  7],
        [10, 11]])]

#numpy cop & deepcopy
a=np.arange(4)

#浅拷贝
b=a
d=b
a[0]=-1
a

array([-1,  1,  2,  3])

array([-1,  1,  2,  3])

array([-1,  1,  2,  3])

d[1]=-2
a

array([-1, -2,  2,  3])

#深拷贝
b=a.copy()
a[3]=-3
b

array([-1, -2,  2, -3])