Python Numpy详解

• 数组
  • 6个常见函数
    • arange(起始值,终止值,步长)
    • zeros/ones(shape)
    • empty(shape)分配一段内存,但不赋值.一般就像是一些随机的噪音
    • linspace(下限,上限,项数)和logspace(下限(指数),上限(指数),项数,base=?(default = 10))
  • 修改数组的shape属性

import numpy as np

a = np.arange(6)
b = np.zeros(4)
c = np.ones((2,3))
d = np.empty(4)

>>>array([0, 1, 2, 3, 4, 5])
>>>array([0., 0., 0., 0.])
>>>array([[1., 1., 1.],
       [1., 1., 1.]])
>>>array([7.08703453e-312, 7.08703453e-312, 7.08703453e-312, 7.08703478e-312])


f = np.linspace(5,10,10)
>>>array([ 5.        ,  5.55555556,  6.11111111,  6.66666667,  7.22222222,
        7.77777778,  8.33333333,  8.88888889,  9.44444444, 10.        ])

g = g = np.logspace(1,-1,3)
>>>g
>>>g = np.logspace(1,-1,3)


a.shape = (2,3)
>>>a
>>>array([[0, 1, 2],
       [3, 4, 5]])

• data type(数据类型)

>>>a = np.array([1,2,3,4,5,6])
>>>a.dtype
>>>dtype('int32')
>>>
>>>b = np.array([1.,2.,3.,4.,5.,6.])
>>>b.dtype
>>>dtype('float64')

• 切片和视图
  •   切片操作

a = np.arange(8)

a[::-1]
array([7, 6, 5, 4, 3, 2, 1, 0])
a[2:6]
array([2, 3, 4, 5])
a[1::3]
array([1, 4, 7])

•          数组切片的一个重要特性是,数组切片是原始数组的视图,也就是数组切片操作并没有复制数据,例:

a = np.arange(6)
b = a[1::2]
b[0] = 99
print(b)
print(a)


>>>[99  3  5]
[ 0 99  2  3  4  5]

• 算术和广播

                数组的算术

a = np.arange(6)
a - 1
>>>array([-1,  0,  1,  2,  3,  4])
a + a
>>>array([ 0,  2,  4,  6,  8, 10])
2*a + 1
>>>array([ 1,  3,  5,  7,  9, 11])

                用数组的算术方法表示导数

(y[1:]-y[:1])/(x[1:]-x[:1])
#或者
np.gradient(y)/np.gradient(x)

                Numpy可以将不同形状的数组一起广播(就像是自动扩展)

                当两个数组中的两个轴的秩相等时,这两个元素之间的操作是逐元素计算的 

                当数组a上的轴的长度为1且数组b上的相同轴的长度大于1时,a的值在该维度上延伸

例如

a = np.arange(4)
a.shape = (2,2)
b = np.array([[100],[1000]])
a * b
>>>
array([[0,100],[2000,3000]])


a = np.array(12)
a.shape = (4,3)
b = np.array([10,100,1000])
a + b
>>>array([
[10,101,1002],
[13,104,1005],
[16,107,1008],
[19,110,1011]])

• 花式索引

        获取许多任意索引的数据，获取某种符合某种模式的索引但索引不够规则

花式索引的举例

>>>a = 2*np.arange(8)**2 + 1
>>>a
>>>array([ 1,  3,  9, 19, 33, 51, 73, 99], dtype=int32)
>>>a[[3,-1,1]]
>>>array([19, 99,  3], dtype=int32)

>>>fib = np.array([0,1,1,2,3,5])
>>>a[fib]
>>>array([ 1,  3,  3,  9, 19, 51], dtype=int32)

>>>b = a[[[[2,7],[3,4]]]]
>>>[[ 9 99]
 [19 33]]

不能在一个维度中混合使用切片和花式索引

>>>a = np.arange(16)-8
>>>a.shape = (4,4)
>>>a
>>>array([[-8, -7, -6, -5],
       [-4, -3, -2, -1],
       [ 0,  1,  2,  3],
       [ 4,  5,  6,  7]])
>>>a[:,[2,-1,0]]
>>>array([[-6, -5, -8],
       [-2, -1, -4],
       [ 2,  3,  0],
       [ 6,  7,  4]])
>>>fib = np.array([0,1,1,2,3])
>>>a[fib,::-2]
>>>array([[-5, -7],
       [-1, -3],
       [-1, -3],
       [ 3,  1],
       [ 7,  5]])

 在多个维度中的每个维度上单独使用一维花式索引

>>>i = np.arange(4)
>>>a[i,i]
>>>array([-8, -3,  2,  7])

>>>a[i[1:],i[1:]-1]
>>>array([-4,  1,  6])
​
>>>a[i[:3],i[:3]+1]
>>>array([-7, -2,  3])

• 掩模

                掩模与花式索引相似，但是掩模必须是一个布尔数组

                掩模作用于形状相同或者轴长度相同的数组进行索引

                如果指定的位置为True，则显示对应的值；如果指定的位置为False，则不显示值

>>>a = np.arange(9)
>>>a.shape = (3,3)

>>>m = np.ones(3,dtype=bool)
>>>m
>>>array([ True,  True,  True])

>>>a[m,m]
>>>array([0, 4, 8])

                生成有效的掩模

>>>a = np.arange(16)
>>>a.shape  = (4,4)
>>>a < 5
>>>array([[ True,  True,  True,  True],
       [ True, False, False, False],
       [False, False, False, False],
       [False, False, False, False]])

                利用掩模

>>>a = np.arange(8)
>>>a.shape  = (2,4)
>>>m = (a>5)
>>>a[m]
>>>array([6, 7])

>>>a[a<5]
>>>array([0, 1, 2, 3, 4])

 Numpy 按位运算符

例：

>>>a[(a<7)^(a>=3)]
>>>array([0, 1, 2, 7])

• 结构数组

结构化数组或者记录数组

构造结构化数组

num表示该列该有的元素数，数量默认为1

>>>("",,num)#num default = 1

• 通用函数

• 全局函数