2:numpy---ndarray
ndarray即是多维数组【n dimension array】
有好几种创建数组的方法。
例如，你可以使用 array 函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。
>>> import numpy as np
>>> a = np.array( [2,3,4] )
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int32')
dtype('float64') 一个常见的错误包括用多个数值参数调用`array`而不是提供一个由数值组成的列表作为一个参数。
>>> a = np.array(1,2,3,4) # WRONG
>>> a = np.array([1,2,3,4]) # RIGHT
数组将序列包含序列转化成二维的数组，序列包含序列包含序列转化成三维数组等等。
>>> data =[ [1.5,2,3], [4,5,6] ]
>>> b = np.array( data )
>>> b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])数组类型可以在创建时显示指定
>>> c = array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])通常，数组的元素开始都是未知的，但是它的大小已知。因此，NumPy提供了一些使用占位符创建数组的函数。这最小化了扩展数组的需要和高昂的运算代价。
函数 function 创建一个全是0的数组，函数 ones 创建一个全1的数组，函数empty 创建一个内容随机并且依赖与内存状态的数组【默认创建的数组类型(dtype)都是float64】
>>> zeros(( 3,4))
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
>>> ones( (2,3,4), dtype=int16 ) # dtype can also be specified
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)
>>> empty( (2,3) )
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])为了创建一个数列，NumPy提供一个类似arange的函数返回数组而不是列表:
>>> arange( 10, 30, 5 )
array([10, 15, 20, 25])
>>> arange( 0, 2, 0.3 ) # it accepts float arguments
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8]) 当 arange 使用浮点数参数时，由于有限的浮点数精度，通常无法预测获得的元素个数。因此，最好使用函数 linspace 去接收我们想要的元素个数来代替用range来指定步长。
其它函数array, zeros, zeros_like, ones, ones_like, empty, empty_like, arange, linspace, rand, randn, fromfunction, fromfile参考： NumPy示例
二：numpy的数据类型【dtype】
数字，字符串，对象，unicode
= np.array([ [1,2,3], [4,5,6] ,[7,8,9]])
= np.array([[1,2,3], [4,5,6] ,[7,8,9]]) -->array([[1, 2, 3],
[4, 5, 6]])
arr[0:2,1]
-->array([2, 5])
arr[0:2,0:2]
-->array([[1, 2],
[4, 5]])
注：可以利用切片进行批量赋值[切记操作都是元素性的]
arr[0:2,0:2] = 9
arr
-->array([[9, 9, 3],
[9, 9, 6],
[7, 8, 9]])
names == 'bob'
-->array([ True, False, False, True, False, False, False], dtype=bool) #意思即是会产生一个布尔型的array数组
data = np.random.randn(5,4)
data
-->array([[-0.00343354, 0.50658368, 0.26039623, -1.17846766],
[ 0.10990542, 0.52022534, -1.10899795, -2.11391774],
[-0.69619996, 0.25121838, -0.50346134, -0.4248276 ],
[ 0.48882343, -1.409604 , -0.38028868, 0.4928941 ],
[-0.03851536, -1.6177832 , 0.24822048, 0.79837076]])
data[names == "bob"]
-->array([[-0.00343354, 0.50658368, 0.26039623, -1.17846766],
[ 0.48882343, -1.409604 , -0.38028868, 0.4928941 ]])
注：还可以和切片联合使用
date[names == "bob",2:]
-->array([[ 0.26039623, -1.17846766],
[-0.38028868, 0.4928941 ]])
4)花式索引【fancy indexing】：利用整数数组进行索引
arr = np.empty((8,4))
arr
-->array([[ 3.63521590e+228, 6.96747054e+252, 5.81241635e+180,2.30074046e-312],
[ 3.16276242e-316, 3.24199869e-316, 3.16276242e-316,2.30320756e-316],
[ 2.30321230e-316, 2.44349454e-316, 2.30320993e-316,3.18366574e-316],
[ 2.30320756e-316, 2.30321942e-316, 2.30320993e-316,3.18366574e-316],
[ 2.30320756e-316, 2.30321942e-316, 2.30320756e-316,2.44346371e-316],
[ 3.22628503e-316, 3.22637041e-316, 3.22628266e-316,2.44349928e-316],
[ 3.22635618e-316, 3.24213624e-316, 2.30320282e-316,3.16264621e-316],
[ 2.30320756e-316, 3.22635618e-316, 3.22637041e-316,3.22635618e-316]])
for i in range(8):
arr[i] = i
arr
-->array([[ 0., 0., 0., 0.],
[ 1., 1., 1., 1.],
[ 2., 2., 2., 2.],
[ 3., 3., 3., 3.],
[ 4., 4., 4., 4.],
[ 5., 5., 5., 5.],
[ 6., 6., 6., 6.],
[ 7., 7., 7., 7.]])
arr[[0,3,6]] #!!两个【【 】】 -号表示反向
-->array([[ 0., 0., 0., 0.],
[ 3., 3., 3., 3.],
[ 6., 6., 6., 6.]])
arr[[-0,-3,-6]]
-->array([[ 0., 0., 0., 0.],
[ 5., 5., 5., 5.],
[ 2., 2., 2., 2.]])
arr = np.arange(32).reshape((8,4)) #reshape方法对前面的一维数组元素重新排列
arr
-->array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27],
[28, 29, 30, 31]])
arr[[1,5,7,2],[0,3,1,2]] #先选出行，再在对应行选出列元素
-->array([ 4, 23, 29, 10])
注：数组切片是原始数组的视图，也就是说数据不被复制，改动会直接反映到原数组上，与python里的切片不同！！
布尔索引与花式索引会创建副本
五：数组转置和轴对换
六：通用函数
abs：绝对值
sqr：平方根 <--------> square:平方
floor：取小于此数的最大整数 <-----> ceil
tan（h），cos（h），sin（h）：h表示反三角函数
e.g:
arr = np.arange(10)
np.sqrt(arr)
--->array([ 0. , 1. , 1.41421356, 1.73205081, 2. ,2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. ])
七：利用ndarray进行数据处理
e.g 1：计算sqrt（x^2+y^2） np.meshgrid()方法接收两个一维数组产生两个二维矩阵
points = np.arange(-5,5,1)
points
-->array([-5, -4, -3, -2, -1, 0, 1, 2, 3, 4])
xs , ys = np.meshgrid(points,points)
ys
-->array([[-5, -5, -5, -5, -5, -5, -5, -5, -5, -5],
[-4, -4, -4, -4, -4, -4, -4, -4, -4, -4],
[-3, -3, -3, -3, -3, -3, -3, -3, -3, -3],
[-2, -2, -2, -2, -2, -2, -2, -2, -2, -2],
[-1, -1, -1, -1, -1, -1, -1, -1, -1, -1],
[ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[ 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
[ 2, 2, 2, 2, 2, 2, 2, 2, 2, 2],
[ 3, 3, 3, 3, 3, 3, 3, 3, 3, 3],
[ 4, 4, 4, 4, 4, 4, 4, 4, 4, 4]])
xs
-->array([[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4]])
z = np.sqrt(xs**2+ys**2)
z
-->array([[ 7.07106781, 6.40312424, 5.83095189, 5.38516481, 5.09901951,5. , 5.09901951, 5.38516481, 5.83095189, 6.40312424],
[ 6.40312424, 5.65685425, 5. , 4.47213595, 4.12310563,4. , 4.12310563, 4.47213595, 5. , 5.65685425],
[ 5.83095189, 5. , 4.24264069, 3.60555128, 3.16227766,3. , 3.16227766, 3.60555128, 4.24264069, 5. ],
[ 5.38516481, 4.47213595, 3.60555128, 2.82842712, 2.23606798,2. , 2.23606798, 2.82842712, 3.60555128, 4.47213595],
[ 5.09901951, 4.12310563, 3.16227766, 2.23606798, 1.41421356,1. , 1.41421356, 2.23606798, 3.16227766, 4.12310563],
[ 5. , 4. , 3. , 2. , 1. ,0. , 1. , 2. , 3. , 4. ],
[ 5.09901951, 4.12310563, 3.16227766, 2.23606798, 1.41421356,1. , 1.41421356, 2.23606798, 3.16227766, 4.12310563],
[ 5.38516481, 4.47213595, 3.60555128, 2.82842712, 2.23606798,2. , 2.23606798, 2.82842712, 3.60555128, 4.47213595],
[ 5.83095189, 5. , 4.24264069, 3.60555128, 3.16227766,3. , 3.16227766, 3.60555128, 4.24264069, 5. ],
[ 6.40312424, 5.65685425, 5. , 4.47213595, 4.12310563,4. , 4.12310563, 4.47213595, 5. , 5.65685425]])
e.g2:逻辑运算的数组表示
arr = np.random.randn(4,4)
arr
-->array([[-1.51211007, 0.51280389, -0.62088368, -1.35715715],
[ 1.13127552, -0.98699052, -0.12450559, -0.81690629],
[ 1.08641757, 1.89675729, 0.54465751, -0.40756964],
[-1.92890717, -0.76061215, -1.67972853, 1.94591207]])
np.where(arr>0, 2 , arr) #将正值转化为2
-->array([[-1.51211007, 2. , -0.62088368, -1.35715715],
[ 2. , -0.98699052, -0.12450559, -0.81690629],
[ 2. , 2. , 2. , -0.40756964],
[-1.92890717, -0.76061215, -1.67972853, 2. ]])
e.g3：数学与统计方法：
对整个数组或某个轴向的数据进行统计计算
方法：sum，mean：算术平均数，std：标准差，var：方差，min，max，argmin最小值的索引，argmax，cumsum累积和，sumprod累计积
注：以上方法几乎都可以接受一个参数0或1，0代表列对待，1代表行对待
arr = np.array([[0,1,2],[3,4,5],[6,7,8]])
arr.min()
0
arr.sum()
36
arr.sum(1)
-->array([ 3, 12, 21])
arr.sum(0)
-->array([ 9, 12, 15])
arr.min(1)
-->array([0, 3, 6])
arr.min(0)
-->array([0, 1, 2])
（arr>0).sum(0)#在上面的那些方法中bool型会被强制转化为1或0
-->array([2, 3, 3])
(arr>0).sum()
8
e.g5:排序
sort方法
arr.sort（【0或1】）
e.g6：唯一化，unique（）函数，去掉重复函数
np.unique(arr)
e.g7:集合逻辑函数
inld(x,y):返回一个x集合的元素是否包含在y集合中的bool型数组
unionld(x,y):计算x，y的并集并返回有序结果
intersectld（x,y）:计算x,y的交集并且返回有序结果
setdiffld（x,y）:在x但不在y中的元素
setxorld（x,y）:仅在其中一个数组存在的元素
e.g8：随机数相关
numpy.random模块提供了许多生成随机数的方式
e.g：sample = np.random.normal(size=(4,4)) #即是生成一个标准正太分布的4X4数组
还有许多其他的生成方式就不赘述了
浙公网安备 33010602011771号