numpy入门

numpy

数组的运算 多维的数组对象， 简称ndarray

1. 实际数据
2. 元数据 描述信息

    1 # ndarray
    2 # 规范，推荐，复用
    3 import numpy as np
    4 
    5 ar = np.array([1,2,3,4,5])
    6 print(ar)
    7 print([1,2,3,4,5])
    8 print(ar.ndim)
    9 print(ar.shape)
   10 print(ar.size)
   11 print(ar.dtype)
   12 print(ar.itemsize)

   [1 2 3 4 5]
   [1, 2, 3, 4, 5]
   1
   (5,)
   5
   int32
   4

   # 建立数组： array（）函数，列表，元组，数组，生成器，序列
   arr1 = np.array(range(10))
   arr2 = np.array([1,2,3,4,5.5])
   arr3 = np.array([[1,2,3,4],[5,6,7,8]])
   print(arr3)
   print(arr3.ndim)
   print(arr3.shape)

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

   # arange() ,相似于python range()
   np.arange(10)
   np.arange(10.)
   np.arange(1,10,0.1)
   np.arange(10000)

   array([   0,    1,    2, ..., 9997, 9998, 9999])

   # linspace(): 返回在间隔[开始，中止]上 num个均匀间隔的样本
   np.linspace(2.0,3.0, num=5)
   np.linspace(2.0, 3.0, num=5, endpoint=False)
   np.linspace(2.0,3.0, num=5, retstep=True)

   (array([2.  , 2.25, 2.5 , 2.75, 3.  ]), 0.25)

   # zeros()/zeros_like()/ones()/ones_like()
   # numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。
   np.zeros(5)
   np.zeros((2,3,2), dtype=np.int)
   arr1 = np.array([[1,2,3],[4,5,6]])
   np.zeros_like(arr1)
   np.ones(6)

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

   # eye()
   # 正方形的N*N的单位矩阵，对角线为1，其他为0
   np.eye(5)

   array([[1., 0., 0., 0., 0.],
          [0., 1., 0., 0., 0.],
          [0., 0., 1., 0., 0.],
          [0., 0., 0., 1., 0.],
          [0., 0., 0., 0., 1.]])

   numpy 通用函数基本操做

   # 数组形状 .T/.reshape()/.resize()
   # 转置 (2, 5) -> (5, 2)
   
   arr1 = np.arange(10)
   arr2 = np.ones((5,2))
   arr3 = np.array([[1,2,3],[4,5,6]])
   
   print(arr1,arr1.T)
   print('_______')
   print(arr2)
   print(arr2.T)
   print('______')
   print(arr3)
   print(arr3.T)

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

   1 arr2.reshape((10,))
   2 # reshape只提供形状的改变，元素数量保持一致
   3 arr4 = np.resize(arr2, (3,5))
   4 print(np.arange(1,13).reshape(3,4))
   5 np.resize(np.arange(1,13).reshape(3,4), (3,5))
   6 
   7 # np.resize 改变形状，若是元素不够，重复填充

   File "<ipython-input-33-dd63d7909c36>", line 7  np.resize 改变形状，若是元素不够，重复填充  ^ SyntaxError: invalid character in identifier 

   1 # 数组的复制
   2 arr1 = np.arange(10)
   3 arr2 = arr1
   4 arr1 is arr2
   5 arr3 = arr1.copy()
   6 arr1 is arr3
   7 # copy 复制一个副本
   8 # .T, reshape,resize 返回一个新的数组

   False

   1 # 数组类型转换 .astype()  默认返回一个新的数组
   2 ar1 = np.arange(10, dtype=np.float)
   3 ar1.astype(np.int32)

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

   # 数组的堆叠
   a1 = np.arange(5)
   a2 = np.arange(4)
   # print(a1.shape, a2.shape)
   # 水平堆叠
   np.hstack((a1, a2))   # 水平堆叠时，行数要一致
   
   ar1 = np.arange(12).reshape((3,4))
   ar2 = np.arange(15).reshape((3,5))
   np.hstack((ar1, ar2))
   
   # 垂直堆叠
   # np.vstack()  # 垂直堆叠，列数要一致
   # np.stack() 经过指定哪一个维度，哪一个轴
   # help(np.stack)
   ar1 = np.arange(12).reshape((3,4))
   ar2 = np.ones((3,4))
   print(ar1)
   print(ar2)
   np.stack((ar1,ar2),axis=0).ndim

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

   Out[79]:

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

    1 # 数组的拆分
    2 ar = np.arange(16).reshape(4,4)
    3 print(ar)
    4 # 水平拆分 按列拆
    5 ars = np.hsplit(ar,2)
    6 #print(ars)
    7 #print(ars[0])
    8 #print(ars[1])
    9 # 垂直拆分，按行拆
   10 
   11 ars = np.vsplit(ar,4)
   12 print(ars)
   13 print(ars[0])
   14 print(ars[1])

   [[ 0  1  2  3]
    [ 4  5  6  7]
    [ 8  9 10 11]
    [12 13 14 15]]
   [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]]), array([[12, 13, 14, 15]])]
   [[0 1 2 3]]
   [[4 5 6 7]]

    1 # 简单的运算
    2 # 矢量化
    3 ar = np.arange(12).reshape(3,4)
    4 # 与标量的运算
    5 # print(ar)
    6 # print(ar+1)
    7 # print(ar*2)
    8 # print(1/(ar+1))
    9 # print(ar**0.5)
   10 # 经常使用的统计函数
   11 print(ar.mean())  # 求平均值
   12 print(ar.max())  # 求最大值
   13 print(ar.min())  # 求最小值
   14 print(ar.std())  # 求标准差
   15 print(ar.var())  # 求方差
   16 
   17 # 能够在不一样维度上进行操做
   18 print(ar)
   19 np.sum(ar, axis=0)
   20 np.sum(ar, axis=1)
   21 np.sort(np.array([4,3,2,1]))

   5.5
   11
   0
   3.452052529534663
   11.916666666666666
   [[ 0  1  2  3]
    [ 4  5  6  7]
    [ 8  9 10 11]]

   array([1, 2, 3, 4])
   
   numpy 索引和切片

    1 # 基本索引
    2 ar = np.arange(20)
    3 # print(ar)
    4 # print(ar[4])
    5 # print(ar[:3])
    6 # 一维的
    7 ar = np.arange(16).reshape(4,4)
    8 print(ar)
    9 # print(ar[0])  # 切出一行  切片为下一个维度的一个元素
   10 # print(ar[0][-1]) # 二次索引，获得一维中的一个值
   11 print(ar[:3])  # 切出多行，
   12 print(ar[1,1]) # 相似于二次索引
   13 print(ar[:2, 1:])
   14 # 二维的

   [[ 0  1  2  3]
    [ 4  5  6  7]
    [ 8  9 10 11]
    [12 13 14 15]]
   [[ 0  1  2  3]
    [ 4  5  6  7]
    [ 8  9 10 11]]
   5
   [[1 2 3]
    [5 6 7]]

    1 #  布尔型索引
    2 ar = np.arange(12).reshape(3,4)
    3 i = np.array([True, False, True])
    4 j = np.array([False, True, False, True])
    5 # print(ar)
    6 # print(i)
    7 # print(j)
    8 # print(ar[i])
    9 # print(ar[i,:])  # 选行
   10 # print(ar[:, j])   # 选列
   11 # 基本的布尔型索引
   12 ai = ar > 5   
   13 print(ar)
   14 print(ai)
   15 print(ar[ar % 2 != 0])  # 选取全部的奇数
   16 print(ar[i,j])

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

   numpy 随机数
   numpy.random

   1 # 生成
   2 samples = np.random.normal(size=(4,4)) # 符合标准正态分布的4*4样本值
   3 print(samples)

   [[ 0.85235645  0.85512049 -0.29868382  1.03635971]
    [-1.42338011 -1.20987794  1.74704175  0.08565753]
    [ 1.11191625  0.5263941   0.21444175  0.08820261]
    [ 0.60592032  0.93473874 -0.28916297 -1.41480416]]

    1 #  numpy.random.rand() :  [0, 1) 之间的随机样本或N维浮点数组 ---均匀分布
    2 import matplotlib.pyplot as plt
    3 
    4 a = np.random.rand()
    5 b = np.random.rand(4)
    6 c = np.random.rand(3,4)
    7 s1 = np.random.rand(1000)
    8 s2 = np.random.rand(1000)
    9 plt.scatter(s1, s2)
   10 plt.show()

   1 # numpy.random.randn() ：生成一个浮点数或者N维的浮点数组---正态分布
   2 s1 = np.random.randn(1000)
   3 s2 = np.random.randn(1000)
   4 plt.scatter(s1, s2)
   5 plt.show()

   1 # numpy.random.randint(low, high=None, size=None, dtype='l'): 生成一个整数或者N维的整数数组
   2 # 若high不为None时，取[low,high)之间随机整数，不然取值[0,low)之间随机整数，且high必须大于low 
   3 # dtype参数：只能是int类型  
   4 np.random.randint(2)
   5 np.random.randint(2, 6, size=5)
   6 np.random.randint(1,100, size=[3,5])

   array([[30, 84,  1, 94, 18],
          [95, 57, 92, 38, 82],
          [95, 25, 33, 74, 57]])

   numpy的输入输出
   读写数组数据，文本数据

   1 # 二进制文件
   2 # 存数据
   3 import numpy as np
   4 ar = np.random.rand(5,5)
   5 np.save('test.npy',ar)
   6 np.load('test.npy')

   array([[0.61427194, 0.69416288, 0.1939631 , 0.60784977, 0.25270645],
          [0.27015826, 0.21855706, 0.86313053, 0.81490094, 0.72308043],
          [0.95732625, 0.08912547, 0.58596282, 0.75812357, 0.43485775],
          [0.41967473, 0.42947078, 0.98010856, 0.26209422, 0.69600965],
          [0.95892746, 0.48951498, 0.98279041, 0.44956069, 0.41290226]])

   1 # 文本数据
   2 # 存
   3 np.savetxt('test.txt', ar, delimiter=',')

   1 # 读取
   2 np.loadtxt('test.txt', delimiter=',')

   array([[0.61427194, 0.69416288, 0.1939631 , 0.60784977, 0.25270645],
          [0.27015826, 0.21855706, 0.86313053, 0.81490094, 0.72308043],
          [0.95732625, 0.08912547, 0.58596282, 0.75812357, 0.43485775],
          [0.41967473, 0.42947078, 0.98010856, 0.26209422, 0.69600965],
          [0.95892746, 0.48951498, 0.98279041, 0.44956069, 0.41290226]])总结思惟导图：https://img2018.cnblogs.com/blog/1816772/201910/1816772-20191023000450837-1220857330.png