Numpy基础知识

• ​创建数组

  • ​直接创建数组

    • # 创建简单的列表

      a = [1, 2, 3, 4]​
      # 将列表转换为数组

      b = np.array(b)

  • 快速创建N维数组的API

    • ​创建10行10列的数值为浮点1的矩阵
      

      • ​array_one = np.ones([10, 10])

    • ​创建10行10列的数值为浮点0的矩阵

      • ​array_zero = np.zeros([10, 10])

    • ​创建等差数组

      • ​np.arange(1,15,2)

        • ​从1开始，15个数，步长是2

    • 创建正态分布的随机数组

      • ​np.random.normal(2,3,size=(4,4))

        • ​均值为2，标准差为3

    • 创建标准正态随机数组

      • ​np.random.randn(4,4)

        • ​4x4的均值为0，标准差为1

    • ​生成随机整数组

      • ​np.random.randint(0,10,size=(3,4))

        • ​3x4的整数组，下限是0，上限是10

  • ​读取数据

    • ​从csv文件中读取

      • ​data=np.genfromtxt("./data.csv",delimiter=",")

• ​索引和切片

  • ​基本的索引和切片

    • ​numpy中数组切片是原始数组的视图

      • ​arr = np.arange(10)

        arr[5]

        # 5

        arr[5:8]

        #array([5, 6, 7])

        arr[5:8]=12

        t = arr[5:8]

        t[1] = 12345

        arr

        #array([ 0, 1, 2, 3, 4, 12, 12345, 12, 8, 9])

    • ​复制数组

      • ​t1 = arr[5:8].copy()

        t1[2] = -222

        arr

        #array([ 0, 1, 2, 3, 4, 64, 64, 64, 8, 9])

    • ​多维数组索引

      • ​arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])

        arr2d[0,2]

        #3

        arr2d[:2,1:]

        #array([[2, 3],

        # [5, 6]])

  • ​布尔型索引

    • ​names == 'Bob'

      • ​names = np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])

        data = np.random.randn(7,4)

        names == 'Bob'

        #array([ True, False, False, True, False, False, False], dtype=bool)

        data[names=='Bob']

        #array([[ 0.75323688, 0.85622553, -2.71974541, 0.37865467],

        # [ 1.35356641, 0.09263267, 1.96207471, -0.05549953]])

    • ​data[(names=='Bob')| (names=='Will')]

  • ​花式索引

    • ​用数组进行索引

      • ​arr[[4,3,0,6]]

        • ​arr = np.empty((8,4))

          for i in range(8):

          arr[i] = i

          arr[[4,3,0,6]]
          #索引第,4,3,0,6行，结果是
          

          array([
          [ 4., 4., 4., 4.],

          [ 3., 3., 3., 3.],

          [ 0., 0., 0., 0.],

          [ 6., 6., 6., 6.]])
          
          

      • 用负数索引倒数第x行

        • ​arr[[-3,-5,-7]]

      • ​索引第几行第几个，每行选一个
        

        • ​arr[[1,5,7,2],[0,3,1,2]]

      • ​所以第几行，再索引被选出所有行的列

        • ​arr[[1,5,7,2]][:,[0,3,1,2]]

• ​数组函数

  • ​查看数组属性

    • ​查看元素个数

      • ​b.size

    • ​查看数组形状

      • ​b.shape

    • ​查看数组维度

      • ​b.ndim

    • ​查看元素个数

      • ​b.dtype

  • ​通用函数

    • ​一元函数

      • ​abs，sqrt，square，exp，log

        • ​arr = np.arange(10)

          np.sqrt(arr)
          #将数据平方

    • ​二元函数

      • ​maximum、minimum

        • ​x = np.random.randn(8)

          y = np.random.randn(8)

          np.maximum(x,y)
          #取两个数组最大值

  • ​where函数

    • ​ where函数，三个参数，条件，条件为真时选择值的数组，条件为假时选择值的数组

      • ​xarr = np.array([1.1,1.2,1.3,1.4,1.5])

        yarr = np.array([2.1,2.2,2.3,2.4,2.5])

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

        np.where(cond,xarr,yarr)

    • 直接指定条件选择后的结果

      • ​np.where(xarr>1.2,2,-2)

  • ​统计函数

    • ​amax、amin、mean、std ...

      • ​arr = np.random.randn(5,4)

        arr.mean()

        np.mean(arr)

    • 表计算函数

      • ​cumsum(累加值计算）

        • ​arr = np.array([[1,2,3],[4,5,6],[7,8,9]])

          arr.cumsum(0)

          #array([[ 1, 2, 3],

          [ 5, 7, 9],

          [12, 15, 18]])

      • ​cumprod（累积值计算）

        • ​arr.cumprod(1)

          #array([[ 1, 2, 6],

          [ 4, 20, 120],

          [ 7, 56, 504]])

    • ​axis参数

      • ​arr.mean(axis=1)行操作

      • ​​arr.mean(axis=1)列操作

  • ​排序函数

    • ​arr.sort()

  • ​集合运算函数

    • ​np.unique(arr)

      • ​返回arr的唯一值

    • ​intersect1d(x,y)

      • ​返回x，y的交集

    • ​union1d(x,y)

      • ​返回x，y的并集

    • ​setdiff1d(x,y)

      • ​返回在x中，不在y中的值

  • ​线性代数

    • ​np.dot(x,y)

      • ​矩阵乘积

    • 高级方法

      • ​from numpy.linalg import inv,det,eig,qr,svd

      • ​int(t)

        • ​逆矩阵

      • ​det(t)

        • 行列式

      • ​qr(t)

        • ​qr分解

      • ​svd(t)

        • ​svd分解

      • ​eig(t)

        • ​求特征值和特征向量

  • ​矩阵拼接

    • 垂直拼接​np.vstack

      • ​print("v1为:")

        v1 = [[0, 1, 2, 3, 4, 5],

        [6, 7, 8, 9, 10, 11]]

        print(v1)

        print("v2为:")

        v2 = [[12, 13, 14, 15, 16, 17],

        [18, 19, 20, 21, 22, 23]]

        print(v2)

        # 垂直拼接

        result = np.vstack((v1, v2))

        print("v1和v2垂直拼接的结果为")

        print(result)

    • ​水平拼接np.hstack

      • ​print("v1为:")

        v1 = [[0, 1, 2, 3, 4, 5],

        [6, 7, 8, 9, 10, 11]]

        print(v1)

        print("v2为:")

        v2 = [[12, 13, 14, 15, 16, 17],

        [18, 19, 20, 21, 22, 23]]

        print(v2)

        # 垂直拼接

        result = np.hstack((v1, v2))

        print("v1和v2水平拼接的结果为")

        print(result)

• ​Numpy计算

  • ​矩阵运算

    • ​矩阵乘法

      • ​np.dot

        • ​stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

          # 平时成绩占40% 期末成绩占60%, 计算结果

          q = np.array([[0.4], [0.6]])

          result = np.dot(stus_score, q)

          print("最终结果为:")

          print(result)

  • ​数组与数的运算

    • ​把第一列+5

      • ​stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

        print("加分前:")

        print(stus_score)

        # 为所有平时成绩都加5分

        stus_score[:, 0] = stus_score[:, 0]+5

        print("加分后:")

        print(stus_score)

  • ​数组间运算

    • ​a = np.array([1, 2, 3, 4])

      b = np.array([10, 20, 30, 40])

      c = a + b

      d = a - b

      e = a * b

      f = a / b

      print("a+b为", c)

      print("a-b为", d)

      print("a*b为", e)

      print("a/b为", f)

  • ​数组转置

    • ​data.T