1、NumPy 创建及类型转换
np.arange(10) #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) list(np.arange(10)) #NumPy 转为list #[0, 1, 2, 3, 4, 5, 6, 7, 8, 9] data = [6, 7, 8, 0, 1] #list转为NumPy arr=np.array(data) #array([6, 7, 8, 0, 1]) arr.ndim arr.shape arr.dtype #创建以0位初始值的arrays np.zeros((2,4)) np.empty((2,4))#没有初始化值的数组 #np.array 类型设置与转换 numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_) #array([b'1.25', b'-9.6', b'42'], dtype='|S4') numeric_strings.astype(float) #array([ 1.25, -9.6 , 42. ])
2、NumPy运算
arr = np.array([[1., 2., 3.], [4., 5., 6.]]) arr + arr arr - arr arr * arr 1/arr arr **2 arr ** 0.5 arr1 = np.array([[0., 4., 1.], [7., 2., 12.]]) arr >arr1
3、NumPy索引和切片
arr = np.arange(10) #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) arr[5] # 5 获取索引是5的值 arr[5:8] #获取索引5到8的值 arr[5:8]=10 #索引5-8的值赋为10 array([ 0, 1, 2, 3, 4, 10, 10, 10, 8, 9]) #所有对数组的改变都是对原数组的改变 arr[5:8].copy() 拷贝新的数组 #二维数组 arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) arr2d[1][0] arr2d[1,0]#等价的 arr2d[:2] #按行切片，取前2行 #array([[1, 2, 3],[4, 5, 6]]) arr2d[:2, 1:] #按行、列维度分别取数 #array([[2, 3],[5, 6]]) arr2d[:, :1] #：取整个维的数据 #array([[1],[4],[7]])
4、布尔索引
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) data = np.random.randn(7, 4) #array([[-1.4940666 , 1.18154707, -1.15719113, -0.96762363], [ 0.43512052, 0.84789969, -0.51722385, -0.21203284], [-1.06864135, -2.30528408, -1.22800202, 1.05406909], [-1.27620432, -0.09847922, -0.07406542, 0.66546799], [ 0.79388547, -0.47114695, -0.31333488, 0.25108373], [-0.50338099, 0.50331694, -0.56595601, -0.48632843], [ 0.48545659, 0.0084995 , 1.15160201, -0.10719972]]) names=='Bob' #array([ True, False, False, True, False, False, False]) data[names == 'Bob'] #array([[-1.4940666 , 1.18154707, -1.15719113, -0.96762363], [-1.27620432, -0.09847922, -0.07406542, 0.66546799]]) data[names == 'Bob', 2:] names != 'Bob' data[~(names == 'Bob')] #等价!= ~ # 可以使用& 和 | 符号进行运算 data[data < 0] =0 #设置所有小于0的数为0 data[names != 'Joe'] = 7 设置所有不为joe的值为7
5、数组转置和交换
arr = np.arange(16).reshape((2, 2, 4)) arr.T #转置 arr.transpose((1, 0, 2)) #第一二维交换、三维不变 arr.swapaxes(1,2)#交换2，3维数据
6、通用数组函数、一元函数（P107）
arr = np.arange(10) np.sqrt(arr) np.exp(arr) x = np.random.randn(8) y = np.random.randn(8) np.maximum(x,y) arr = np.random.randn(7) * 5 remainder, whole_part = np.modf(arr) np.sqrt(arr,arr) #把sqrt结果返回arr数组覆盖原有值
7、数组操作的逻辑表达条件
xarr = np.array([1.1, 1.2, 1.3, 1.4, 1.5]) yarr = np.array([2.1, 2.2, 2.3, 2.4, 2.5]) cond = np.array([True, False, True, True, False]) [(x if c else y) for x,y,c in zip(xarr,yarr,cond)] #等价于下面表达式 np.where(cond, xarr, yarr) #根据值替换数组 arr = np.random.randn(4, 4) arr>0 np.where(arr>0, 2, -2) np.where(arr>0, 2, arr)
8、数学和统计方法
arr = np.arange(10).reshape(2,5) arr arr.mean() arr.sum() np.mean(arr) arr.mean(axis=0) arr.cumsum() #大于2的值的数量 (arr>2).sum() bools = np.array([False, False, True, False]) bools.any() #是否有一个为true bools.all()#是否都为true
9、数组唯一取值
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) np.unique(names) sorted(set(names))#等价方法 #intersect1d(x,y) #union1d(x, y) #in1d(x, y) #setdiff1d(x, y) #setxor1d(x, y)
10、使用数组输入输出
arr = np.arange(10) np.save('some_array', arr) np.load('some_array.npy') np.savez('array_archive.npz', a=arr, b=arr)#save multiple arrays in an uncompressed archive using np.savez arch = np.load('array_archive.npz') arch['b'] np.savez_compressed('arrays_compressed.npz', a=arr, b=arr)
11、线性代数
#矩阵相乘 x = np.array([[1., 2., 3.], [4., 5., 6.]]) x @ np.ones(3) #线性代数库实现相关操作 from numpy.linalg import inv, qr diag 对角线 dot 内积 trace 对角线的和
12、随机数
np.random.normal(size=(4, 4)) from random import normalvariate %timeit samples = [normalvariate(0, 1) for _ in range(N)] %timeit np.random.normal(size=N) np.random.seed(1234) np.random.RandomState(1234) #随机游走 #1 position =0 walk = [position] steps =1000 for i in range(steps): step = 1 if random.randint(0,1) else -1 position += step walk.append(position) plt.plot(walk[:100]) #2 nsteps = 1000 draws = np.random.randint(0, 2, size=nsteps) steps = np.where(draws > 0, 1, -1) walk = steps.cumsum() (np.abs(walk) >= 10).argmax() #返回第一次出现10的索引 #3重复5000次随机游走 nwalks = 5000 nsteps = 1000 draws = np.random.randint(0, 2, size=(nwalks, nsteps)) # 0 or 1 steps= np.where(draws >0, 1, -1) walks=steps.cumsum(1) walks.min() #所有的最小值 hits30 = (np.abs(walks) >= 30).any(1)#是否有值绝对值大于等于30 hits30.sum()#总数 crossing_times = (np.abs(walks[hits30]) >= 30).argmax(1) #获取超过30的次数 steps = np.random.normal(loc=0, scale=0.25, size=(nwalks, nsteps)) #概率不同的随机游走