Numpy基本操作

1. 数组创建

numpy中所有的计算都是围绕着数组进行的，因此在运算之前，我们需要将计算的数据表示成数组的形式。

• 我们可以用np.array()来创建一个数组：

  np.array([1, 2, 3, 4, 5])
  # array([1, 2, 3, 4, 5])
  

• np.zeros()创建一个全为零的数组：

  np.zeros((2, 3))  # 参数为元组，表示2行3列
  
  # array([[0., 0.],
  #        [0., 0.],
  #        [0., 0.]])
  

• 类似地，可以使用np.ones()创建一个全为1的数组：

  np.ones((2, 4))
  
  # array([[1., 1., 1., 1.],
  #        [1., 1., 1., 1.]])
  

• 使用np.arange()创建一个递增或递减的数列，类似于python的range()。

  np.arange(3, 7)  # [3, 7)
  # array([3, 4, 5, 6])
  np.arange(3, 10, 2)
  # array([3, 5, 7, 9])
  np.arange(10, 2, -3)
  #array([10,  7,  4])
  

• np.linspace()会返回介于某个区间等间距分布的数，前两个参数是区间的范围，第三个参数是输出样本的总数：

  # 返回一个0-1范围内等间距分布的5个数
  np.linspace(0, 1, 5)
  # array([0.  , 0.25, 0.5 , 0.75, 1.  ])
  

• 通过np.random.rand()生成随机的数组(数字范围0-1)：

  np.random.rand(2, 4)
  # array([[0.90823579, 0.13280413, 0.48167232, 0.47886157],
  #        [0.73089321, 0.39703329, 0.09461766, 0.5481924 ]])
  

• 在numpy中，数组默认的数据类型是64位的浮点数：

  a = np.zeros((2, 4))
  a.dtype
  # dtype('float64')
  

• 可以在创建数组时，通过dtype指定其他的数据类型：

  a = np.zeros((2, 4), dtype=np.int32)
  a.dtype
  # dtype('int32')
  

  也可以通过araay.astype()来转换数据类型：

  b = a.astype(int)
  b
  # array([[0, 0, 0, 0],
  #        [0, 0, 0, 0]])
  

2. 基本运算

在numpy中我们可以轻松地对数组进行常见的数学运算。

• 两个相同尺寸的数组可以直接进行四则运算，它会将数组同位置的元素进行加减乘除：

  a = np.array([1, 2, 3])
  b = np.array([4, 5, 6])
  a + b
  # array([5, 7, 9])
  a / b
  # array([0.25, 0.4 , 0.5 ])
  

• 在乘法运算中还有一个点乘np.dot()，这个函数会对两个向量进行点乘运算：

  np.dot(a, b)
  # 32
  

• 与之类似的还有矩阵乘法np.matmul()

  a = np.array([[1, 2],
                [3, 4]])
  b = np.array([[2, 0],
                [0, 2]])
  np.matmul(a, b)
  a @ b
  # array([[2, 4],
  #        [6, 8]])
  

• 以下函数对数组中所有数依次运算：

  函数	说明
  np.sqrt()	开方
  np.sin(), np.cos(), np.tan()	三角函数运算
  np.log()	自然对数
  np.power()	指数

• 广播：

  a = np.array([1, 2, 3])
  a * 5
  # array([5, 10, 15])
  

  不同维度的数组也可以进行直接运算

  a = np.array([[1],
                [10],
                [20]])
  b = np.array([0, 1, 2])
  a + b
  # array([[ 1,  2,  3],
  #        [10, 11, 12],
  #        [20, 21, 22]])
  

  在运算之前，numpy会将这两个数组扩展至相同的尺寸，然后再将相同位置的元素相加

  

• 常用函数：

  函数	说明
  min(), max()	最小值，最大值
  argmin(), argmax()	最小值，最大值的索引
  sum()	求所有数据的总和
  mean()	平均值
  median()	中位数
  var()	方差
  std()	标准差

  对于上面的函数，如果数组为多维数组，可以通过指定axis来指定维度：

  axis=0时，会将每一行中对应的数据相加，axis=0代表第一个维度，也就是行

  

  a = np.array([[1, 2, 3, 4, 5],
                [5, 6, 7, 8, 9]])
  a.sum()  # 所有元素的和
  # 50
  a.sum(axis=0)  # 每行对应数据相加，也就是按列求和
  # array([ 6,  8, 10, 12, 14])
  

  以此类推，axis=1时代表第二个维度，也就是列

  

  a.sum(axis=1)  # 每列对应数据相加，也就是按行求和
  # array([15, 35])
  

• 获取元素

  获取元素和python中list用法基本一致

  a = np.array([[1, 2, 3],
                [4, 5, 6]])
  # 获取第1行第2列的值
  a[0, 1]  # a[0][1]同样
  # 2
  

  同样支持切片

  # 获取第一行[0,2)列的数据
  a[0, 0:2]  # a[0][0:2]
  # array([1, 2])
  
  # 获取第一行数据
  a[0, :]  # a[0][:]
  a[0]
  # array([1, 2, 3])
  
  # 获取第一行数据，间距为2
  a[0, ::2]
  # array([1, 3])
  
  # 获取第一行数据，倒序，间距为2
  a[0, ::-2]
  # 等同于
  a[0, -1:-4:-2]  # 倒数第一个到倒数第四个(不包括)，间距为2
  # array([3, 1])
  
  a[0, 3:0:-2]  # 从3到0(不包括0)，跨度为2
  # array([3])
  

• 条件筛选指定元素

  a = np.arange(10)
  a
  # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  
  a < 2
  # array([ True,  True, False, False, False, False, False, False, False,
  #        False])
  
  a[a < 2]
  # array([0, 1])
  

  还可以通过逻辑运算符组合不同的条件，需要注意的是，与运算使用“&”，或运算使用“|”

  a[(a > 3) & (a % 2 == 0)]
  # array([4, 6, 8])
  
  a[(a < 5) | (a % 2 == 0)]
  # array([0, 1, 2, 3, 4, 6, 8])
  

  不能使用类似2 < a < 5这种条件筛选

  a[(2 < a < 5) | (a % 2 == 0)]  # 报错
  # ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()