numpy note.md

numpy基础

import numpy as np

ndarray是numpy中基本的数据结构，创建array的方法一般有如下几种

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

[1 2 3 4]

a = np.arange(1,10)
print(a)

[1 2 3 4 5 6 7 8 9]

a = np.arange(0,12).reshape(3,4)
print(a)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

也可以用一些其他的函数来创建有特殊用途的array

linspace可以等间距取出规定数量的值，其中也包括小数。endpoint参数规定是否取到最后一位

a = np.linspace(0,1,10,endpoint=False)
print(a)

[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]

a = np.linspace(0,1,10,
                endpoint = True)
print(a)

[0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
 0.66666667 0.77777778 0.88888889 1.        ]

a = np.zeros((3,4))
print(a)

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

a = np.ones((3,4),dtype = int)
print(a)

[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

eye方法创建一个n阶方阵

a = np.eye(3)
print(a)

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

array数组也有自身的属性

a = np.arange(20).reshape(2,2,5)
print(a)

[[[ 0  1  2  3  4]
  [ 5  6  7  8  9]]

 [[10 11 12 13 14]
  [15 16 17 18 19]]]

dtype属性代表array中数据的类型，可以是int，float，str等

a.dtype

dtype('int32')

dtype属性的修改不可以直接进行，而应该借助于astype()方法

a.dtype = "float64"

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-18-a4cdf5bd3aee> in <module>()
----> 1 a.dtype = "float64"


ValueError: When changing to a larger dtype, its size must be a divisor of the total size in bytes of the last axis of the array.

a = a.astype(np.float64)
print(a)
print(a.dtype)

[[[ 0.  1.  2.  3.  4.]
  [ 5.  6.  7.  8.  9.]]

 [[10. 11. 12. 13. 14.]
  [15. 16. 17. 18. 19.]]]
float64

在array比较复杂时，也可以自定义数据类型

stu_dtype = np.dtype([("id",int),("name",str,10),("成绩",int)])

a = np.array([(1,"samson",98),(2,"Johnson",95),(3,"Nicole",97)],dtype = stu_dtype)

a

array([(1, 'samson', 98), (2, 'Johnson', 95), (3, 'Nicole', 97)],
      dtype=[('id', '<i4'), ('name', '<U10'), ('成绩', '<i4')])

数组的索引和切片操作

一维数组下的操作,和python的列表切片是一致的

a = np.arange(10)
print(a)

[0 1 2 3 4 5 6 7 8 9]

a[0]

0

a[1:5]

array([1, 2, 3, 4])

a[:]

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

a[1:8:2]

array([1, 3, 5, 7])

a[::-1]

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

多维数组下的操作

a = np.arange(30).reshape(3,2,5)
a

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

       [[10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]],

       [[20, 21, 22, 23, 24],
        [25, 26, 27, 28, 29]]])

a[0]

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

如果索引中括号中加入一个tuple，(或者不加圆括号)，就代表在“纵深”方向上进行索引查找。第一个数字代表第一维检索，第二个数字代表第二维

a[(0,1)]

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

a[(0,1,3)]

8

a[0,:,1:4]

array([[1, 2, 3],
       [6, 7, 8]])

如果索引中括号中加入一个list，就代表在“水平”方向上进行索引查找

a[[0,1]]

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

       [[10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]]])

a[0][[0,1]]

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

a[[0,1]][0]

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

数组的数学操作和基本方法

a = np.arange(1,11)
a

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

b = np.arange(10)
b

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

a+b

array([ 1,  3,  5,  7,  9, 11, 13, 15, 17, 19])

a*b

array([ 0,  2,  6, 12, 20, 30, 42, 56, 72, 90])

np.sin(a)

array([ 0.84147098,  0.90929743,  0.14112001, -0.7568025 , -0.95892427,
       -0.2794155 ,  0.6569866 ,  0.98935825,  0.41211849, -0.54402111])

a.mean()

5.5

a.sum()

55