numpy经常使用总结

#导入

直接将文本load成numpy.ndarray,若是类型不是默认类型(dtype=float)会致使部分数据nan,skip_footer  
world_alcohol = numpy.genfromtxt("world.txt", 
									delimiter=",",  			    #以“,”为列的分隔符
									skip_header=1,				  #跳过第一行
									usecols=(0, -1),			    #只读取的列
									dtype="U75",					#设定类型
									names="A, B, C",				#设定列名
									missing_values={0:"N/A", 'b':" ", 2:"???"},  #某列缺失值定义
									filling_values={0:0, 'b':0, 2:-999}		  #某列缺失值替换
									)

#初始化

vector = numpy.array([5, 10, 15, 20])  
matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
np.zeros ((3,4))  
np.ones( (2,3,4), dtype=np.int32 )  
np.arange( 0, 2, 0.3 )		 #0-2,以0.3为步长  
np.random.random((2,3))		#2行3列的0-1 array  
from numpy import pi  
np.linspace( 0, 2*pi, 100 )	#设置100个点  
z = np.linspace(0,10,11,endpoint=True,retstep=True)  #生成0~10之间均匀分布的11个数，包括0和10  
help(np.linspace)
a=[1,2,3] np.diag(a) 是生成1，2，3 为对角线的方阵

#经常使用方法属性

查看维度:vector.shape 查看类型:vector.dtype 更改类型:vector = vector.astype(float)  
type(d) 和 d.dtype 一个返回的是d 的数据类型 nd.array 另外一个返回的是数组中内容的数据类型 
类型NumPy array必须全部数据是相同类型  
a.ndim #查看维度坐标的数量,axes (dimensions)的数量  
a.dtype.name  
a.size#总数

#索引

vector[1,4]第一行第四列的值,从0开始.vector[0:3]是0-2的数列  
matrix[:,1],全部行的第2列,matrix[:,0:2],全部行的1,2列  
matrix = numpy.array([
[5, 10, 15],  
[20, 25, 30],  
[35, 40, 45]  
])  
matrix[1:3,1:3]
[[20 25]

  [35 40]]

#比较

vector = numpy.array([5, 10, 15, 20])  
vector == 10 -> array([False,  True, False, False], dtype=bool) 比较每个元素  
经过比较的bool结果索引  
vector = numpy.array([5, 10, 15, 20])  
equal_to_ten = (vector == 10)  
print equal_to_ten -> [False  True False False]  
print(vector[equal_to_ten]) -> [10]
matrix = numpy.array([  
[5, 10, 15],  
[20, 25, 30],  
[35, 40, 45]  
])  
second_column_25 = (matrix[:,1] == 25)  
print second_column_25 -> [False  True False]  
print(matrix[second_column_25, :]) -> [[20 25 30]]  
equal_to_ten_and_five = (vector == 10) & (vector == 5) #进行与或非操做

vector = numpy.array([5, 10, 15, 20])  
equal_to_ten_or_five = (vector == 10) | (vector == 5)  
vector[equal_to_ten_or_five] = 50  
print(vector) -> [50 50 15 20]
matrix = numpy.array([  
[5, 10, 15],  
[20, 25, 30],  
[35, 40, 45]  
])  
second_column_25 = matrix[:,1] == 25  
print second_column_25 -> [False  True False]  
matrix[second_column_25, 1] = 10  
print matrix -> 中间25->10

#运算

vector = numpy.array([5, 10, 15, 20])  
求和:vector.sum()
求平均:vector.mean()  
numpy.exp()：返回e的幂次方  
matrix.sum(axis=1) # 1是按行相加,0是按列相加  
is_value_empty = numpy.isnan(world_alcohol[:,4]) #判断是否是nan,各个位置是bool值
z = np.zeros((5,5))  
z += np.arange(5)  
print np.arange(5) -> [0 1 2 3 4]  
print z  
[[0. 1. 2. 3. 4.]  
 [0. 1. 2. 3. 4.]  
 [0. 1. 2. 3. 4.]  
 [0. 1. 2. 3. 4.]  
 [0. 1. 2. 3. 4.]]
 a1=mat([1,1]);
a2=mat([2,2]);
a3=multiply(a1,a2)

np.array的+/-/平方**2/开方np.sqrt(A)都是对应元素操做,<>也是对应元素,返回对应的bool值  
两种点乘操做:A.dot(B) np.dot(A, B)  
A.T #转置
np.floor()#各个元素向下取整

#变形

a = np.arange(15).reshape(3, 5)#更改形状  
reshape：有返回值，所谓有返回值，即不对原始多维数组进行修改；  
resize：无返回值，所谓有返回值，即会对原始多维数组进行修改；

将多维数组降位一维:  
numpy.ravel()   #返回的是视图（view，也很有几分C/C++引用reference的意味），会影响原始矩阵  
numpy.flatten() #返回一份拷贝，对拷贝所作的修改不会影响（reflects）原始矩阵

#拼接

np.hstack((a,b))#列相拼接,多了列,行数不变  
np.vstack((a,b))#行拼接,多了行,列数不变  
np.vsplit(a,3)#将a从行切出3个array  
b = a  #是一个对象 相等 变化牵连  
c = a.view() #建立一个新对象 不相等 变化不牵连  
d = a.copy() #彻底复制一个对象 不相等 变化不牵连  
ind = data.argmax(axis=0)  np.argmax(data,axis=0) #array每行上最大数的索引下标  
（3，）#一维数组 （1,3）#二维  
import numpy as np  
data = np.sin(np.arange(20)).reshape(5,4)  
print data  
[[ 0.          0.84147098  0.90929743  0.14112001]  
 [-0.7568025  -0.95892427 -0.2794155   0.6569866 ]  
 [ 0.98935825  0.41211849 -0.54402111 -0.99999021]  
 [-0.53657292  0.42016704  0.99060736  0.65028784]  
 [-0.28790332 -0.96139749 -0.75098725  0.14987721]]  
ind = data.argmax(axis=0)  
print ind  - > [2 0 3 1]  
data_max = data[ind, xrange(data.shape[1])]  
print data_max   ->[0.98935825 0.84147098 0.99060736 0.6569866 ]  
all(data_max == data.max(axis=0))   -> True

#numpy.tile(A,reps)

numpy.tile(A,reps) #tile共有2个参数，A指待输入数组，reps则决定A重复的次数。整个函数用于重复数组A来构建新的数组。  
numpy.tile([1,2,3],2) -> array([1, 2, 3, 1, 2, 3])  
numpy.tile([1,2,3],(1,2)) -> array([[1, 2, 3, 1, 2, 3]])  
numpy.tile([1,2,3],(2,1)) ->array([[1, 2, 3],[1, 2, 3]])  
注意维度:一维数组shape为（3，），扩充至2维则shape值为（1,3），扩充至3维则shape值为（1,1,3）  
y = x.argsort() #argsort()函数是将x中的元素从小到大排列，提取其对应的index(索引)，而后输出到y  
a = np.array([4, 3, 1, 2])  
j = np.argsort(a)  
print j -> [2 3 1 0]  
print a -> [4 3 1 2]  
print a[j] -> [1 2 3 4]

#sort（）

# 直接对对象进行排序，不会产生一个新数组，而是在原数组的基础上进行修改 # None : 若是待排序的对象是一个视图的话，则原始数据将会被修改  
obj.sort() # 这种方式会为原数组建立一个已排序的副本，因此并不会对原数组进行修改 np.sort(obj) # 相同之处：两种排序均可以接受一个axis参数，用于对相应的行或者列进行排序 # Note ： 两个排序方法都不能够被设置为降序，只能是升序，

ndarray.sort(axis=-1, kind='quicksort', order=None)  
或者：ndarray.sort(axis=-1, kind='quicksort', order=None)  
参数     描述  
axis     排序沿数组的（轴）方向，0表示按行，1表示按列，None表示展开来排序，默认值为-1，表示沿最后的轴排序  
kind     排序的算法，提供了快排'quicksort'、混排'mergesort'、堆排'heapsort'， 默认为‘quicksort'  
order     排序的字段名，可指定字段排序，默认为None

#meshgrid（）

[X,Y]=meshgrid(x,y)  
[X,Y]=meshgrid(x)=[X,Y]=meshgrid(x,x)  
m, n = (5, 3)  
x = np.linspace(0, 1, m)  
y = np.linspace(0, 1, n)  
X, Y = np.meshgrid(x,y)  
X,Y:3行5列

#NumPy 用字符编码来表示数据类型

数据类型     字符编码  
整数     		i  
无符号整数        u  
单精度浮点数      f  
双精度浮点数      d  
布尔值           b  
复数             D  
字符串           S  
Unicode         U  
Void            V

#其余操做:

z[1::2,::2] = 1  
z[::2,1::2] = 1  
z = np.random.random((10,10))  
zmin,zmax = z.min(),z.max()  
#归一化，将矩阵规格化到0～1，即最小的变成0，最大的变成1，最小与最大之间的等比缩放  
z = 10*np.random.random((5,5))  
print z  
zmin,zmax = z.min(),z.max()  
z = (z-zmin)/(zmax-zmin)  
print z
交换第0,1行:a[[0,1]] = a[[1,0]]  
#找出数组中与给定值最接近的数  
z = np.array([[0,1,2,3],[4,5,6,7]])  
a = 5.1  
print np.abs(z-a).argmin() -> 5

#判断二维矩阵中有没有一整列数为0？  
z = np.random.randint(0,3,(2,10))  
print z -> [[1 1 2 0 0 1 1 0 2 2],[0 0 2 1 0 2 1 0 1 0]]  
print z.any(axis=0) -> [ True  True  True  True False  True  True False  True  True]