Python关于Numpy的操作基础

　　NumPy(Numerical python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

　　NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。 注：以上是题外话，方便进入主题，本文重在基础的操作。

　　一、总述：

　　NumPy的基础，方便查阅。

　　二、创建ndarray数组：

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　data = [1,2,3,4,5,6]

　　x = numpy.array(data)#列表生成一维数组

　　print(x)#打印数组

　　print(x.dtype)#打印数组元素的类型

　　data = [[1,2],[3,4],[5,6]]

　　x = numpy.array(data)#列表生成二维数组

　　print(x )#打印数组

　　print(x.ndim )#打印数组的维度

　　print(x.shape) #打印数组各个维度的长度。shape是一个元组

　　x = numpy.zeros(6) #创建一维长度为6的，元素都是0一维数组

　　x = numpy.zeros((2,3)) #创建一维长度为2，二维长度为3的二维0数组

　　x = numpy.ones((2,3)) #创建一维长度为2，二维长度为3的二维1数组

　　x = numpy.empty((3,3)) #创建一维长度为2，二维长度为3,未初始化的二维数组

　　print(numpy.arange(6)) # [0,1,2,3,4,5,] 开区间生成连续元素

　　print(numpy.arange(0,6,2) ) # [0, 2，4]生成连续元素

　　三、指定ndarray数组元素的类型:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　x = numpy.array([1,2.6,3],dtype = numpy.int64)#生成指定元素类型的数组:设置dtype属性

　　x = numpy.array([1,2,3],dtype = numpy.float64)

　　print(x )# 元素类型为float64

　　print(x.dtype)

　　x = numpy.array([1,2.6,3],dtype = numpy.float64)#使用astype复制数组，并转换类型

　　y = x.astype(numpy.int32)

　　z = y.astype(numpy.float64)

　　x = numpy.array(['1','2','3'],dtype = numpy.string_)#将字符串元素转换为数值元素

　　y = x.astype(numpy.int32)

　　x = numpy.array([ 1., 2.6,3. ],dtype = numpy.float32)#使用其他数组的数据类型作为参数

　　y = numpy.arange(3,dtype=numpy.int32)

　　print(y)

　　print(y.astype(x.dtype))

　　四、ndarray的矢量化计算:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　'''ndarray数组与标量/数组的运算'''

　　x = numpy.array([1,2,3])

　　print(x*2)

　　print(x>2)

　　y = numpy.array([3,4,5])

　　print(x+y)

　　print(x>y)

　　五、ndarray数组的基本索引和切片:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　'''ndarray的基本索引'''

　　x = numpy.array([[1,2],[3,4],[5,6]])

　　print(x[0]) # [1,2]

　　print(x[0][1]) # 2,普通python数组的索引

　　print(x[0,1]) # 同x[0][1]，ndarray数组的索引

　　x = numpy.array([[[1, 2], [3,4]], [[5, 6], [7,8]]])

　　print(x[0]) # [[1 2],[3 4]]

　　y = x[0].copy() # 生成一个副本

　　z = x[0] # 未生成一个副本

　　print(y) # [[1 2],[3 4]]

　　print(y[0,0] )# 1

　　y[0,0] = 0

　　z[0,0] = -1

　　print(y )# [[0 2],[3 4]]

　　print(x[0]) # [[-1 2],[3 4]]

　　print(z) # [[-1 2],[3 4]]

　　'''ndarray的切片'''

　　x = numpy.array([1,2,3,4,5])

　　print(x[1:3]) # [2,3] 右边开区间

　　print(x[:3] )# [1,2,3] 左边默认为 0

　　print(x[1:]) # [2,3,4,5] 右边默认为元素个数

　　print(x[0:4:2]) # [1,3] 下标递增2

　　x = numpy.array([[1,2],[3,4],[5,6]])

　　print(x[:2] )# [[1 2],[3 4]]

　　print(x[:2,:1] )# [[1],[3]]

　　x[:2,:1] = 0 # 用标量赋值

　　print(x )# [[0,2],[0,4],[5,6]]

　　x[:2,:1] = [[8],[6]] # 用数组赋值

　　print(x) # [[8,2],[6,4],[5,6]]

　　六、ndarray数组的布尔索引和其他索引:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　'''ndarray的布尔型索引'''

　　x = numpy.array([3,2,3,1,3,0])

　　# 布尔型数组的长度必须跟被索引的轴长度一致

　　y = numpy.array([True,False,True,False,True,False])

　　print(x[y] )# [3,3,3]

　　print(x[y==False]) # [2,1,0]

　　print(x>=3) # [ True False True False True False]

　　print(x[~(x>=3)]) # [2,1,0]

　　print((x==2)|(x==1) )# [False True False True False False]

　　print(x[(x==2)|(x==1)] )# [2 1]

　　x[(x==2)|(x==1)] = 0

　　print(x )# [3 0 3 0 3 0]

　　七、ndarray数组的转置和轴对换:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　'''ndarray数组的转置和轴对换'''

　　k = numpy.arange(9) #[0,1,....8]

　　m = k.reshape((3,3)) # 改变数组的shape复制生成2维的，每个维度长度为3的数组

　　print(k )# [0 1 2 3 4 5 6 7 8]

　　print(m )# [[0 1 2] [3 4 5] [6 7 8]]

　　# 转置(矩阵)数组：T属性 : mT[x][y] = m[y][x]

　　print(m.T )# [[0 3 6] [1 4 7] [2 5 8]]

　　# 计算矩阵的内积 xTx

　　print(numpy.dot(m,m.T)) # numpy.dot点乘

　　# 高维数组的轴对象

　　k = numpy.arange(8).reshape(2,2,2)

　　print(k )# [[[0 1],[2 3]],[[4 5],[6 7]]]

　　print(k[1][0][0])

　　# 轴变换 transpose 参数:由轴编号组成的元组

　　m = k.transpose((1,0,2)) # m[y][x][z] = k[x][y][z]

　　print(m )# [[[0 1],[4 5]],[[2 3],[6 7]]]

　　print(m[0][1][0])

　　# 轴交换 swapaxes (axes：轴)，参数:一对轴编号

　　m = k.swapaxes(0,1) # 将第一个轴和第二个轴交换 m[y][x][z] = k[x][y][z]

　　print(m )#) [[[0 1],[4 5]],[[2 3],[6 7]]]

　　print(m[0][1][0])

　　# 使用轴交换进行数组矩阵转置

　　m = numpy.arange(9).reshape((3,3))

　　print(m )# [[0 1 2] [3 4 5] [6 7 8]]

　　print(m.swapaxes(1,0)) # [[0 3 6] [1 4 7] [2 5 8]]

　　八、ndarray通用函数:

　　九、NumPy的where函数使用:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　'''where函数的使用'''

　　cond = numpy.array([True,False,True,False])

　　x = numpy.where(cond,-2,2)

　　print(x) # [-2 2 -2 2]

　　cond = numpy.array([1,2,3,4])

　　x = numpy.where(cond>2,-2,2)

　　print(x) # [ 2 2 -2 -2]

　　y1 = numpy.array([-1,-2,-3,-4])

　　y2 = numpy.array([1,2,3,4])

　　x = numpy.where(cond>2,y1,y2) # 长度须匹配

　　print(x) # [1,2,-3,-4]

　　'''where函数的嵌套使用'''

　　y1 = numpy.array([-1,-2,-3,-4,-5,-6])

　　y2 = numpy.array([1,2,3,4,5,6])

　　y3 = numpy.zeros(6)

　　cond = numpy.array([1,2,3,4,5,6])

　　x = numpy.where(cond>5,y3,numpy.where(cond>2,y1,y2))

　　print(x) # [ 1. 2. -3. -4. -5. 0.]

　　十、ndarray常用的统计方法:

　　十一、ndarray数组的去重以及集合运算:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　'''ndarray的唯一化和集合运算'''

　　x = numpy.array([[1,6,2],[6,1,3],[1,5,2]])

　　print(numpy.unique(x)) # [1,2,3,5,6]

　　y = numpy.array([1,6,5])

　　print(numpy.in1d(x,y)) # [ True True False True True False True True False]

　　print(numpy.setdiff1d(x,y) )# [2 3]

　　print(numpy.intersect1d(x,y) )# [1 5 6]

　　十二、numpy中的线性代数:

　　十三、numpy中的随机数生成:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy as np

　　a=np.random.randint(0,10,100)#范围内的整数

　　print(a)

　　b=np.random.rand(40)#0到1的均匀分布

　　print(b)

　　c=np.random.randn(10)#标准正态分布

　　print(c)

　　d=np.random.nORMal(0,1,100)#生成指定正态分布

　　print(d)

　　e=np.random.random(20)#0到1的均匀分布

　　print(e)

　　f=np.random.ranf(20)#0到1的均匀分布

　　print(f)

　　g=np.random.uniform(-1,1,100)#指定均匀分布

　　print(g)

　　十四、ndarray数组重塑:

　　# -*- coding:utf-8 -*-

　　# author:无锡人流医院 Http://www.bhnkyy39.com/

　　import numpy

　　'''ndarray数组重塑'''

　　x = numpy.arange(0,6) #[0 1 2 3 4]

　　print(x) #[0 1 2 3 4]

　　print(x.reshape((2,3))) #) [[0 1 2][3 4 5]]

　　print(x )#[0 1 2 3 4]

　　print(x.reshape((2,3)).reshape((3,2))) # [[0 1][2 3][4 5]]

　　y = numpy.array([[1,1,1],[1,1,1]])

　　x = x.reshape(y.shape)

　　print(x )# [[0 1 2][3 4 5]]

　　print(x.flatten() )# [0 1 2 3 4 5]

　　x.flatten()[0] = -1 # flatten返回的是拷贝

　　print(x )# [[0 1 2][3 4 5]]

　　print(x.ravel()) # [0 1 2 3 4 5]

　　x.ravel()[0] = -1 # ravel返回的是视图(引用)

　　print(x) # [[-1 1 2][3 4 5]]

　　'''"维度大小自动推导"'''

　　arr = numpy.arange(15)

　　print(arr.reshape((5, -1))) # 15 / 5 = 3

　　十五、ndarray数组的拆分与合并:

　　十六、数组的元素重复操作:

　　# -*- coding:utf-8 -*-

　　# author:

　　import numpy

　　'''数组的元素重复操作'''

　　x = numpy.array([[1,2],[3,4]])

　　print(x.repeat(2)) # 按元素重复 [1 1 2 2 3 3 4 4]

　　print(x.repeat(2,axis=0)) # 按行重复 [[1 2][1 2][3 4][3 4]]

　　print(x.repeat(2,axis=1)) # 按列重复 [[1 1 2 2][3 3 4 4]]

　　x = numpy.array([1,2])

　　print(numpy.tile(x,2)) # tile瓦片：[1 2 1 2]

　　print(numpy.tile(x, (2, 2))) # 指定从低维到高维依次复制的次数。

　　# [[1 2 1 2][1 2 1 2]]

　　参考：

　　NumPy 官网 http://www.numpy.org/

　　NumPy 源代码：https://GitHub.com/numpy/numpy

　　SciPy 官网：https://www.scipy.org/

　　SciPy 源代码：https://github.com/scipy/scipy

　　Matplotlib 官网：https://matplotlib.org/

　　Matplotlib 源代码：https://github.com/matplotlib/matplotlib

　　https://blog.csdn.net/cxmscb/article/details/54583415