numpy回顾

Numpy回顾

之前电脑重装了，写的Numpy全没了（/(ㄒoㄒ)/~~），重新整理附带回顾一哈，参考资料 Numpy中文网

安装和最基本使用

pip install numpy
import numpy as np
print(np.eye(4))

备注：在python console即ipython中使用%pylab即可方便的调用numpy和matplotlib

Numpy数组和Python Array之间的区别

1. Numpy在创建数组时具有固定的大小，改变其大小将创建一个新数组并删除原来的数组
2. Numpy中的数组都时相同的数据类型，因此占位内存相同
3. Numpy底层使用C语言编写，在涉及到ndarry时，逐个元素的操作由预编译的C代码快速执行

Numpy基础知识

[[ 1., 0., 0.],
 [ 0., 1., 2.]]
# 此数组有两个轴，一轴长度为2，二轴长度为3

code	description
ndarray.ndim	数组轴（维度）的个数
ndarray.shape	数组的维度 ->(n,m)
ndarray.size	数组元素的总数
ndarray.dtype	数组中元素类型的对象
ndarray.itemsize	数组中每个元素的字节大小

注意，调用np.array时必须使用列表类型作为参数

常用函数

• 函数zeros创建一个由0组成的数组，参数为shape，ones创建一个由1组成的数组，参数同样为shape，默认情况下创建的dtype为float64
• 函数arange类似于range，可设置步长为浮点数，同样为左闭右开
• linspace，设置指定范围内的数字np.linspace(0,2,9)表示0~2内9个数组成的数组，双闭
• 还有诸如sum,min,max.sqrt,exp，add之类的方法不一一介绍

数组输出（打印）

np.arrange(24).reshape(2,3,4)注意：reshape参数相乘必须等于数组size
若数组太大，Numpy会自动跳过数组的中心部分

使用np.set_printoptions(threshold=sys.maxsize)打印显示全数组

Numpy元素运算

乘积运算符* 在Numpy中按元素进行运算，若要计算矩阵乘积可以使用@运算符（python>=3.5)或dot函数执行

指定axis轴参数运算

使用轴运算时必须牢记之前所说的维度概念，0维（axis=0）表示最外层（即本数组），之后层层递进，而0维的运算就代表着下一维度块block之间的运算，最小维度为数字本身，即对于1维数组，axis=0的运算就是数字本身互相之间的运算（最小运算单位为数字），无axis=1

索引，切片和迭代

ndarray的索引与列表类似，均可以实现步进切片，a[::-1]倒置等操作

多维数组索引

多维数组索引时，仍然遵循维度递减概念和block概念

当索引少于维度（轴）的数量时，缺失的索引被认为是完整的切片

...表示完整索引元素的冒号，如下图所示，其中a[1,...]表示对于最外层+1层进行操作，即2block之间的操作，a[...,2]表示最后一层进行操作，即数字元素之间进行操作（block即为数字）

数组迭代时，默认为对于维度一（即最外层+1）进行迭代，可是使用多重迭代进行每个维度的显示，可以使用 ndarray.flat迭代来直接显示最小维度（数字本身）

数组维度变换

a.ravel() = a.reshape(a.size)将多维数组转为一维数组 ，不改变原数组

使用resize方法将改变数组本身，且传入参数为数组或元组

如果在reshape中将某一维度指定为-1，则会自动计算维度

堆叠

a = np.floor(10*np.random.random((2,2))) b=np.floor(10*np.random.random((2,2)))->np.vstack((a,b))/np.hstack((a,b))

注意：堆叠的两个矩阵必须具有相同的shape，且按照元组顺序堆叠

使用np.r_ 和 np.c_可以便捷的利用切片创建数组

column_stack按照列堆叠数组，略

l1 = [1,3,5,6]
l2 = [22,44,66,77]
np.r_[l1[:3],l2[-2:]]
Out[50]: array([ 1,  3,  5, 66, 77])

拆分

c
Out[63]: 
array([[  2.,   0.],
       [  2.,   1.],
       [266., 377.],
       [207., 313.]])
cc = np.vsplit(c,2)
cc
Out[65]: 
[array([[2., 0.],
        [2., 1.]]),
 array([[266., 377.],
        [207., 313.]])]
type(cc),type(cc[1])
Out[66]: (list, numpy.ndarray)
# 注意：拆分时直接传入对象和参数，但堆叠时需要以元组形式传入

视图和浅拷贝

浅拷贝

c1 = cc.view() #创建了c1为cc的浅拷贝（仍然为ndarray格式）
c1.shape = 2,4 
cc.shape() #c1的shape改变不影响cc
c1[1,1] = 999 
cc # -> c1通过索引改变数值，cc数值也改变，及数据共享但格式不共享

深拷贝

a = np.arange(int(1e8)) b=a[:100].copy() del a

如果改为b = a[:100] 即使del a ，a也会在内存中持久存在

介绍一个比较有用的条件过滤并执行相关操作的API -> like map(func,iterator)

a = np.arange(10) np.where(a<5, a, 10*a) 等价于所有大于等于5的数执行10*a

花式索引和索引技巧

a = np.arrange(12)**2
i = np.array([1,3,5,8])
a[i] # array as indices must be integer

技巧一

获取最大值，然后获取最大值的索引

import pandas as pd
df = pd.DataFrame(result)
max_val = df.max().max()
# 最大值的行,axis=0是对行操作，即为列的最大值，axis=1是对列操作，即为行的最大值
print(df[df.max(axis=1) == df.max().max()].index)
print(df[df.max(axis=0) == df.max().max()].index)
print(df.iloc[51, 1035])
# 或者直接使用opencv -> cv2.minMaxLoc
min_val, max_val, min_loc, max_loc = minMaxLoc(result)

其他内容后续用到了再补