NumPy之array

ndarray是一个包含了相同元素类型和大小的多维数组。

建立数组：

一、使用系统方法

empty(shape[, dtype, order])     # 根据给定的参数建立一个ndarray数组，值用随机数填充

例：

>>> np.empty([2, 2])
array([[ -9.74499359e+001,   6.69583040e-309],
       [  2.13182611e-314,   3.06959433e-309]])

empty_like(a[, dtype, order, subok])  #和empty不一样的是，须要给出一个array的模板，就是a参数，新生成的ndarray继承了a的shape和dtype

例：

>>> a = ([1,2,3], [4,5,6]) 
>>> np.empty_like(a)
array([[-1073741821, -1073741821,           3],    #random
       [          0,           0, -1073741821]])

eye(N[, M, k, dtype])           #生成一个N行M列的数组，K指定一条斜线，这条斜线上的值都是1,数组的其余元素维0

例：生成一个5行4列的数组，索引为1的斜线上所有是1,其余元素为0

>>> np.eye(5,4,1)
array([[ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  1.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

identity(n[, dtype])   #生成一个正方形的数组即N×N类型的数组，且索引万恶哦0的斜线上维1,其余元素维0

例：

>>> np.identity(3)
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],       
       [ 0.,  0.,  1.]])

ones(shape[, dtype, order])   #生成一个指定shape和dtype的数组，用1填充

例：

>>> np.ones(5)
array([ 1.,  1.,  1.,  1.,  1.])
>>> np.ones((2, 1))
array([[ 1.],
       [ 1.]])

ones_like(a[, dtype, order, subok])  #和ones的区别就是须要给定一个dnarray模板，新生成的array继承了a的shape和dtype

例：

>>> x = np.arange(6)
>>> x = x.reshape((2, 3))
>>> x
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.ones_like(x)
array([[1, 1, 1],
       [1, 1, 1]])

zeros(shape[, dtype, order])   #根据给定的shape，和dtype生成一个由0填充的数组

例：

>>> np.zeros(5)
array([ 0.,  0.,  0.,  0.,  0.])

zeros_like(a[, dtype, order, subok])   #根据a模板生成一个新的用0 填充的ndarray数组

例：

>>> x = np.arange(6)
>>> x = x.reshape((2, 3))
>>> x
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.zeros_like(x)
array([[0, 0, 0],
       [0, 0, 0]])

full(shape, fill_value[, dtype, order])   #用指定的值填充数组

例：

>>> np.full((2, 2), 10)
array([[10, 10],
       [10, 10]])

full_like(a, fill_value[, dtype, order, subok])   #根据a模板的shape和dtype生成一个数组，若是指定的填充数不是a的dtype类型，会向下取整，这时候也能够指定新数组的dtype类型。

例：

>>> x = np.arange(6, dtype=np.int)
>>> np.full_like(x, 1)
array([1, 1, 1, 1, 1, 1])
>>> np.full_like(x, 0.1)   #若是full_value设置为1.2则就是用1填充
array([0, 0, 0, 0, 0, 0])
>>> np.full_like(x, 0.1, dtype=np.double)
array([ 0.1,  0.1,  0.1,  0.1,  0.1,  0.1])
>>> np.full_like(x, np.nan, dtype=np.double)
array([ nan,  nan,  nan,  nan,  nan,  nan])

二、用指定的数据填充

array(object[, dtype, copy, order, subok, ndmin])  #用对象直接填充数组

例：

>>> np.array([1, 2, 3])  #一维数组
array([1, 2, 3])
>>> np.array([[1, 2], [3, 4]])   #二维数组
array([[1, 2],
       [3, 4]])
>>> np.array([1, 2, 3], ndmin=2)   #只有一个元素的二维数组
array([[1, 2, 3]])
>>> np.array(np.mat('1 2; 3 4'))    #从子类建立
array([[1, 2],
       [3, 4]])

asarray(a[, dtype, order])   #把lists, lists of tuples, tuples, tuples of tuples, tuples of lists and ndarrays转化为array

例：

>>> a = [1, 2]
>>> np.asarray(a)
array([1, 2])

asanyarray(a[, dtype, order])  #经过ndarray的子类建立array

>>> a = [1, 2]
>>> np.asanyarray(a)
array([1, 2])

ascontiguousarray(a[, dtype]) #返回一个地址连续的数组（C  order）

>>> x = np.arange(6).reshape(2,3)
>>> np.ascontiguousarray(x, dtype=np.float32)
array([[ 0.,  1.,  2.],
       [ 3.,  4.,  5.]], dtype=float32)
>>> x.flags['C_CONTIGUOUS']
True

asmatrix(data[, dtype])    # 把数组转化为矩阵,新的变量没有copy数据，只是指向原有的数据

>>> x = np.array([[1, 2], [3, 4]])
>>> m = np.asmatrix(x)
>>> x[0,0] = 5
>>> m
matrix([[5, 2],        [3, 4]])

copy(a[, order])   #顾名思义就是复制的意思

>>> x = np.array([1, 2, 3])
>>> y = x
>>> z = np.copy(x)
>>> x[0] = 10
>>> x[0] == y[0]
True
>>> x[0] == z[0]
False

frombuffer(buffer[, dtype, count, offset])  #把buffer数据转化为1维数组ps:若是数据不是机器字节顺序,须要指定他的dtype类型

>>> s = 'hello world'
>>> np.frombuffer(s, dtype='S1', count=5, offset=6)
array(['w', 'o', 'r', 'l', 'd'],
      dtype='|S1')

frombuffer(buffer[, dtype, count, offset]) #从文件读取数据 ps:该方法不长用用save替代

fromfunction(function, shape, **kwargs) #用方法计算出来的数据填充数组

>>> np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
array([[0, 1, 2],
       [1, 2, 3],       
       [2, 3, 4]])

fromiter(iterable, dtype[, count]) #经过迭代器生成一个一维数组

>>> iterable = (x*x for x in range(5))
>>> np.fromiter(iterable, np.float)
array([  0.,   1.,   4.,   9.,  16.])

fromstring(string[, dtype, count, sep])  #把二进制流或者字符串转化维数组

>>> np.fromstring('\x01\x02', dtype=np.uint8)
array([1, 2], dtype=uint8)
>>> np.fromstring('1 2', dtype=int, sep=' ')
array([1, 2])
>>> np.fromstring('1, 2', dtype=int, sep=',')
array([1, 2])
>>> np.fromstring('\x01\x02\x03\x04\x05', dtype=np.uint8, count=3)
array([1, 2, 3], dtype=uint8)

arange([start,] stop[, step,][, dtype])

#根据给定的区间建立连续的值

>>> np.arange(3)
array([0, 1, 2])
>>> np.arange(3.0)
array([ 0.,  1.,  2.])
>>> np.arange(3,7)
array([3, 4, 5, 6])
>>> np.arange(3,7,2)
array([3, 5])

numpu.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None) #arrange同样,主要是生成浮点型

>>> np.linspace(2.0, 3.0, num=5)
array([ 2.  ,  2.25,  2.5 ,  2.75,  3.  ])
>>> np.linspace(2.0, 3.0, num=5, endpoint=False)
array([ 2. ,  2.2,  2.4,  2.6,  2.8])
>>> np.linspace(2.0, 3.0, num=5, retstep=True)
(array([ 2.  ,  2.25,  2.5 ,  2.75,  3.  ]), 0.25)

numpy.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None)   #log函数.base默认值为10

>>> np.logspace(2.0, 3.0, num=4)
array([  100.        ,
   215.443469  ,   
   464.15888336,  
   1000.        ])
>>> np.logspace(2.0, 3.0, num=4, endpoint=False)
array([ 100.        ,
  177.827941  ,  
  316.22776602,  
  562.34132519])
>>> np.logspace(2.0, 3.0, num=4, base=2.0)
array([ 4.        ,
  5.0396842 ,  
  6.34960421,  
  8.        ])

numpy.geomspace(start,stop,num=50,endpoint=True,dtype=None)  #几何级增加

>>> np.geomspace(1, 1000, num=4)
array([    1.,    10.,   100.,  1000.])
>>> np.geomspace(1, 1000, num=3, endpoint=False)
array([   1.,   10.,  100.])
>>> np.geomspace(1, 1000, num=4, endpoint=False)
array([   1.        ,
    5.62341325,   
    31.6227766 ,  
    177.827941  ])
>>> np.geomspace(1, 256, num=9)
array([   1.,    2.,    4.,    8.,   16.,   32.,   64.,  128.,  256.])

numpy.emshgrid(*xi,**kwargs)  #把向量坐标转化为矩阵坐标;在二维度数组中长度为M,N的的俩个数组做为输入:若是indexing='ij',则shape(M,N)若是indexing='xy'则shape(N.M)

>>> nx, ny = (3, 2)
>>> x = np.linspace(0, 1, nx)
>>> y = np.linspace(0, 1, ny)
>>> xv, yv = np.meshgrid(x, y)
>>> xv
array([[ 0. ,  0.5,  1. ],
       [ 0. ,  0.5,  1. ]])
>>> yv
array([[ 0.,  0.,  0.],
       [ 1.,  1.,  1.]])

numpy.diag(v,k=0)   #提取对角或构建一个对角阵

>>> x = np.arange(9).reshape((3,3))
>>> xarray([[0, 1, 2],
       [3, 4, 5],       [6, 7, 8]])
>>> np.diag(x)
array([0, 4, 8])
>>> np.diag(x, k=1)
array([1, 5])
>>> np.diag(x, k=-1
array([3, 7])

numpy.diagflat(v,k=0)   #一个扁平输入做为一个二维数组的对角

>>> np.diagflat([[1,2], [3,4]])
array([[1, 0, 0, 0],
       [0, 2, 0, 0],       
       [0, 0, 3, 0],       
       [0, 0, 0, 4]])

numpy.tri(N,M=None,k=0,dtype=<type 'float'>)  #这个不会翻译,可是看数据有点映像

>>> np.tri(3, 5, 2, dtype=int)
array([[1, 1, 1, 0, 0],
       [1, 1, 1, 1, 0],       
       [1, 1, 1, 1, 1]])

numpy.vander(x,N=None,incresing=False)  # 范德蒙式,程序不重要,重要的是科学计算

>>> x = np.array([1, 2, 3, 5])
>>> N = 3
>>> np.vander(x, N)
array([[ 1,  1,  1],
       [ 4,  2,  1],       
       [ 9,  3,  1],       
       [25,  5,  1]])

numpy.mat(data,dtype=None)     #输入转化为矩阵,建立一个新变量,指向旧的数据

>>> x = np.array([[1, 2], [3, 4]])
>>> m = np.asmatrix(x)
>>> x[0,0] = 5
>>> m
matrix([[5, 2],        [3, 4]])

numpy.bmat(obj,ldict=None,gdict=None)   #用字符串,嵌套序列,或者数组建立矩阵

>>> A = np.mat('1 1; 1 1')
>>> B = np.mat('2 2; 2 2')
>>> C = np.mat('3 4; 5 6')
>>> D = np.mat('7 8; 9 0')

>>> np.bmat([[A, B], [C, D]])
matrix([[1, 1, 2, 2],
        [1, 1, 2, 2],        
        [3, 4, 7, 8],        
        [5, 6, 9, 0]])
>>> np.bmat(np.r_[np.c_[A, B], np.c_[C, D]])
matrix([[1, 1, 2, 2],
        [1, 1, 2, 2],        
        [3, 4, 7, 8],        
        [5, 6, 9, 0]])
>>> np.bmat('A,B; C,D')
matrix([[1, 1, 2, 2],
        [1, 1, 2, 2],        
        [3, 4, 7, 8],        
        [5, 6, 9, 0]])