numpy 学习总结

numpy 学习总结

作者：csj
更新时间:01.09

email:[email protected]

说明：因内容较多，会不断更新 xxx学习总结；

#生成数组/使用astype/取值和赋值/ 数学运算 / 内置的创建数组的函数/  文件输入输出

# Numpy是Python语言的一个library numpy
# Numpy主要支持矩阵操作和运算
# Numpy非常高效，core代码由C语言写成
# pandas也是基于Numpy构建的一个library
# 现在比较流行的机器学习框架（例如Tensorflow/PyTorch等等），语法都与Numpy比较接近

import numpy as np
## 数组简介和数组的构造(ndarray)
##生成数组时可以指定数据类型，如果不指定numpy会自动匹配合适的类型
    # np1 = np.array([1,2,3],datetype=np.float64)
    #np1.datatype
##使用astype复制数组并转换数据类型
    # np1 = np.array([1,2,3])
    #np2=np1.astype(np.float64)
##使用astype将float转换为int时小数部分被舍弃
    # np1 = np.array([1.2,2.1,3.3])
    #np2_int=np1.astype(np.int)
##Array indexing/数组取值和赋值 在两个维度上分别按照[:2]和[1:3]进行切片，取需要的部分
    # a =np.array([[1,2,3],[4,5,6]])
    # b =a[:2,1:3]  #row,clo
    # b
##用dtype来看numpy数组中元素的类型:
   #b.dtype
##数组取值和赋值
    # np1 = np.array([1,2,3])
    # np1 = np.array([1,2,3],datetype=np.float64)
    #np1.datatype
    # np1.shape
    # np1[0]
    # np2=np.array([[1,2,3],[4,5,6]])
    # np2
    # np2[0,1]
##内置的创建数组的函数
    # np1 = np.zeros((3,3))
    # np1
    # np2 = np.ones((3,3))
    # np2
    # np3=np.full((3,3),0)
    # np3
    # np4=np.eye(3,3)  # 对角矩阵（对角元素为1）
    # np4
    # np5=np.random.random((3,3))  # 3row,3 col矩阵
    # np5
    # np6=np.empty((2,3,3)) # 2 ge 3row,3 col矩阵
    # np6
    # np7=np.arange(15)  #arrar  0--14
    # np7
## 数学运算
#x = np.array([[1,2,3],[4,5,6]],dtype=np.int32)
#y = np.array([[1,1,1],[1,1,1]],dtype=np.int32)
# z =x+y
# z=np.add(x,y)
#z =x-y
# z=np.subtract(x,y)
# z
# z=x / y  #np.divide(x,y)
# z
# z=x * y  #np.multiply(x,y)
# z
# z=np.sqrt(x)
# z
# v=np.array([1,2])
# m=np.array([3,4])
# k= v.dot(m)   #求向量内积np.dot(v,m)
# k
    # v=np.array([1,2])
    # m=np.array([3,4])
    # k= v.dot(m) #矩阵的乘法
    # k
##转置和数学公式一样,1维的vector转置还是自己
    # x.T

    # arr = np.arange(16).reshape((2, 2, 4))
    # [[[ 0  1  2  3]
    #   [ 4  5  6  7]]

    #  [[ 8  9 10 11]
    #   [12 13 14 15]]]

    # print(arr.transpose((1,0,2)))
    # [[[ 0  1  2  3]
    #   [ 8  9 10 11]]

    #  [[ 4  5  6  7]
    #   [12 13 14 15]]]

    # print(arr.swapaxes(1,2))
    # [[[ 0  4]
    #   [ 1  5]
    #   [ 2  6]
    #   [ 3  7]]

    #  [[ 8 12]
    #   [ 9 13]
    #   [10 14]
    #   [11 15]]]

#x = np.array([[1,2],[3,4]])
#print(np.sum(x))  # 数组/矩阵中所有元素求和; prints "10"
#print(np.sum(x, axis=0))  # 按行去求和; prints "[4 6]"
#print(np.sum(x, axis=1))  # 按列去求和; prints "[3 7]"
## broadcasting 逐元素运算了
##给x的每一行都逐元素加上一个向量，然后生成y
## 逻辑运算
# x_arr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])
# y_arr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
# cond = np.array([True, False, True, True, False])
print(np.where(cond, x_arr, y_arr)) # is true get x col,is false get x col value
## 数组高级操作
##numpy可以很容易地把一维数组转成二维数组，三维数组。
# arr = np.arange(8)
# arr
# print("(4,2):", arr.reshape((4,2)))
# print("(2,2,2):", arr.reshape((2,2,2)))
## ar.ravel() #高维数组可以用ravel来拉平一维数组
##连接两个二维数组 np.concatenate
#np.concatenate([arr1, arr2], axis = 0))  # 按行连接
#np.concatenate([arr1, arr2], axis = 1))  # 按列连接

##拆分数组
first, second, third = np.split(arr, [1,3], axis = 0) #按row 拆分
first, second, third = np.split(arr, [1,3], axis = 1) #按col 拆分

## r_ 用于按行堆叠 相当于row append()
np.r_[arr1, arr2]

## c_用于按列堆叠 相当于col append()
np.c_[np.r_[arr1, arr2], arr]

## 按元素重复
arr = np.arange(3)
print(arr.repeat(3))
print(arr.repeat([2,3,4]))
[0 0 0 1 1 1 2 2 2]
[0 0 1 1 1 2 2 2 2]

##指定axis来重复
print(arr.repeat(2, axis=0))
print(arr.repeat(2, axis=1))

##一维数组的排序
# arr = np.random.randn(8)
# arr.sort()
# arr
# array([-0.61817891, -0.06058585, -1.35160371, -2.18178411,  0.87576168,
#        -1.58531466, -0.69936331, -0.32779743])
# arr2 = np.random.random(8)
# arr2
# array([ 0.12432438,  0.25883333,  0.1822138 ,  0.53953672,  0.33821614,
#         0.55960961,  0.6137947 ,  0.93829222])

## 文件输入输出
##读取csv文件作为数组
#arr = np.loadtxt(‘array_ex.txt‘, delimiter=‘,‘)
##数组文件读写
#np.save(‘some_array‘, arr)
#print(np.load(‘some_array.npy‘))

## 多个数组可以一起压缩存储
#rr2 = np.arange(15).reshape(3,5)
#np.savez(‘array_archive.npz‘, a=arr, b=arr2)

#arch = np.load(‘array_archive.npz‘)
#print(arch[‘a‘])
#print(arch[‘b‘])

## random
# a = np.random.rand(2,2)
# print(‘a:‘,a)
# b = np.random.random(10)
# print(‘b:‘,b)
# c= np.random.randn(10)
# print(‘c:‘,c)

# a: [[ 0.26212204  0.45755303]
#  [ 0.04386303  0.66983097]]
# b: [ 0.42563425  0.95733217  0.72836539  0.23990547  0.10497632  0.16002414
#   0.70969603  0.62574911  0.68678163  0.24185936]
# c: [-1.45631229  0.21994626 -0.69116183 -0.282174    0.7204622   0.71022805
#   0.71147763  0.30575337  1.4860439  -0.56394711]

# d = np.random.rand(10,10)
# e = d.max(axis=1)
# f = e.sum(axis =1).reshape(10,1)

##更多的numpy细节和用法可以查看一下官网numpy指南
#http://docs.scipy.org/doc/numpy/reference/

原文地址：https://www.cnblogs.com/csj007523/p/8276357.html