Numpy支持大量的维度数组和矩阵运算，对数组运算提供了大量的数学函数库！
Numpy比Python列表更具优势，其中一个优势便是速度。在对大型数组执行操作时，Numpy的速度比Python列表的速度快了好几百。因为Numpy数组本身能节省内存，并且Numpy在执行算术、统计和线性代数运算时采用了优化算法。
Numpy的另一个强大功能是具有可以表示向量和矩阵的多维数组数据结构。Numpy对矩阵运算进行了优化，使我们能够高效地执行线性代数运算，使其非常适合解决机器学习问题。
与Python列表相比，Numpy具有的另一个强大优势是具有大量优化的内置数学函数。这些函数使你能够非常快速地进行各种复杂的数学计算，并且用到很少代码（无需使用复杂的循环），使程序更容易读懂和理解。
注：在ndarray结构中，里面元素必须是同一类型的，如果不是，会自动的向下进行。
Numpy简单创建数组
a = [1, 2, 3]
b = np.array(a)
c = np.array([[0, 1, 2, 10],
[12, 13, 100, 101],
[102, 110, 112, 113]], int)
print(c)
print(b)
创建数值为1的数组
Numpy.ones(参数 1：shape，数组的形状；参数 2：dtype， 数值类型)
array_one = np.ones([10, 10], dtype=np.int) print(array_one)
创建数值为0的数组
Numpy.zeros(参数 1：shape，数组的形状；参数 2：dtype， 数值类型)
array_zero = np.zeros([10, 9], dtype=np.float) print(array_zero)
创建指定数值的数组
Numpy.full(参数 1：shape，数组的形状； 参数 2：constant value，数组填充的常数值；参数 3：dtype， 数值类型)
array_full = np.full((2, 3), 5) print(array_full)
创建单位矩阵
Numpy.eye(参数 1：N，方阵的维度)
array_eye = np.eye(5) print(array_eye)
创建对角矩阵
Numpy.diag(参数1：v，主对角线数值，参数 2：k，对角线元素)：K = 0表示主对角线，k>0的值选择在主对角线之上的对角线中的元素，k<0的值选择在主对角线之下的对角线中的元素
array_diag = np.diag([10, 20, 30, 40]) print(array_diag)
Numpy查看数组属性
数组元素个数：b.size 或 np.size()
数组形状：b.shape 或 np.shape()
数组维度：b.ndim
数组元素类型：b.dtype
# 数组元素个数：3 print(b.size) # 数组形状:(3,) print(b.shape) # 数组维度:1 print(b.ndim) # 数组元素类型:int32 print(b.dtype)
矩阵第一维的长度：shape[0] # 行
矩阵第二维的长度：shape[1] # 列
.......
array_rand = np.random.rand(10, 10, 4) print(array_rand) print(array_rand.ndim) print(array_rand.shape[0]) print(array_rand.shape[1]) print(array_rand.shape[2])
Numpy创建随机数组（np.random）
均匀分布
创建指定形状的数组，数值范围在0~1之间
array_rand = np.random.rand(10, 10, 4) print(array_rand) print(array_rand.ndim)
创建指定范围内的一个数：Numpy.random.uniform(low, high, size=None)
array_uniform = np.random.uniform(0, 100, size=5) print(array_uniform)
创建指定范围的一个整数：Numpy.random.randint(low, high, size=None)
array_int = np.random.randint(0, 100, size=3) print(array_int) print(array_int.size)
Numpy.arange()和Numpy.linspace()函数也可以均匀分布
Numpy.arange(start, stop, step)：创建一个秩为1的array，其中包含位于半开区间[start, stop)内并均匀分布的值，step表示两个相邻值之间的差。
Numpy.linspace(start, stop, N)：创建N个在闭区间[start, stop]内均匀分布的值。
X = np.arange(1, 5, 2, dtype=np.int) print(X) y = np.linspace(1, 5, 3) print(y)
正态分布
创建给定均值、标准差、维度的正态分布：Numpy.random.normal(loc, scale, size)
# 正态生成4行5列的二位数组 array_normal = np.random.normal(loc=1.75, scale=0.1, size=[4, 5]) print(array_normal) print(array_normal.ndim)
Numpy数组操作
数组的索引
array[start : end]
array[start:]
array[:end]
布尔型索引：array[array>10 & array<20]
# 截取第0至第3行，第2至第4列（从第0行第0列算起） after_array = array_normal[:3, 2:4] print(after_array)
数组的复制
Numpy.copy(参数 1：数组)：创建给定array的一个副本，还可当做方法用。
after_array = array_normal[:3, 2:4].copy() copy_array = np.copy(array_normal[:, 2:4])
Numpy.sort(参数 1：a，数组；参数 2：axis=0/1，0表示行1表示列)：np.sort()作为函数使用时，不更改被排序的原始array；array.sort()作为方法使用时，会对原始array修改为排序后数组array
# 整体排序 np.sort(array_normal) # 仅行排序 np.sort(array_normal, axis=0) # 仅列排序 np.sort(array_normal, axis=1)
数组唯一元素
Numpy.unique(参数 1：a，数组；参数 2：return_index=True/False，新列表元素在旧列表中的位置；参数 3：return_inverse=True/False，旧列表元素在新列表中的位置；参数 4：return_counts，元素的数量；参数 5：axis=0/1，0表示行1表示列)：查找array中的唯一元素。
print("提取唯一元素", np.unique(array_normal))
print("提取唯一元素", np.unique(array_normal, return_index=True))
print("提取唯一元素", np.unique(array_normal, return_counts=True))
print("提取唯一元素", np.unique(array_normal, return_index=True, return_inverse=True, axis=0))
数组的改变
数组转置
array_normal.T
reshape()：把指定的数组改变形状，但是元素个数不变；有返回值，即不对原始多维数组进行修改
c = np.array([[[0, 1, 2],
[10, 12, 13]],
[[100, 101, 102],
[110, 112, 113]]])
"""
[[[ 0 1]
[ 2 10]]
[[ 12 13]
[100 101]]
[[102 110]
[112 113]]]
"""
print(c.reshape(3, 2, 2))
"""
[[ 0 1 2 10]
[ 12 13 100 101]
[102 110 112 113]]
"""
# 某一维指定为-1时，自动计算维度
print(c.reshape(3, -1))
"""[[[ 0 1]
[ 2 10]
[ 12 13]]
[[100 101]
[102 110]
[112 113]]]"""
print(c.reshape(2, -1, 2))
resize()：把指定的数组改变形状，但是元素个数可变，不足补0；无返回值，即对原始多维数组进行修改
a = np.array([[[0, 1, 2],
[10, 12, 13]],
[[100, 101, 102],
[110, 112, 113]]])
b = np.array([[[0, 1, 2],
[10, 12, 13]],
[[100, 101, 102],
[110, 112, 113]]])
'''[[0]
[1]
[2]]'''
a.resize((3, 1))
'''[[ 0 1 2 10 12]
[ 13 100 101 102 110]
[112 113 0 0 0]]'''
b.resize((3, 5))
print(a)
print(b)
*Numpy计算
条件运算
Numpy.where(condition, x, y)：三目运算满足condition，为x；不满足condition，则为y
score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) # 如果数值小于80，替换为0，如果大于等于80，替换为90 re_score = np.where(score < 80, 0, 90) print(re_score)
]统计运算
指定轴最大值：amax(参数1：数组；参数2：axis=0/1，0表示行1表示列)
# 求整个矩阵的最大值 result = np.amax(score) print(result) # 求每一列的最大值（0表示行） result = np.amax(score, axis=0) print(result) # 求每一行的最大值（1表示列） result = np.amax(score, axis=1) print(result)
指定轴最小值：amin(参数1：数组；参数2：axis=0/1，0表示行1表示列)
# 求整个矩阵的最小值 result = np.amin(score) print(result) # 求每一列的最小值（0表示行） result = np.amin(score, axis=0) print(result) # 求每一行的最小值（1表示列） result = np.amin(score, axis=1) print(result)
指定轴平均值：mean(参数1：数组；参数2：axis=0/1，0表示行1表示列；参数3：dtype，输出数据类型)
# 求整个矩阵的平均值 result = np.mean(score, dtype=np.int) print(result) # 求每一列的平均值（0表示行） result = np.mean(score, axis=0) print(result) # 求每一行的平均值（1表示列） result = np.mean(score, axis=1) print(result)
指定轴方差：std(参数1：数组；参数2：axis=0/1，0表示行1表示列；参数3：dtype，输出数据类型)
# 求整个矩阵的方差 result = np.std(score) print(result) # 求每一列的方差（0表示列） result = np.std(score, axis=0) print(result) # 求每一行的方差（1表示行） result = np.std(score, axis=1) print(result)
类似的，求和：Numpy.sum()，求中值：Numpy.median
数组运算
数组与数的运算（加、减、乘、除、取整、取模）
# 循环数组行和列，每一个数值都加5 score[:, :] = score[:, :]+5 print(score) # 循环数组行和列，每一个数值都减5 score[:, :] = score[:, :]-5 print(score) # 循环数组行和列，每一个数值都乘以5 score[:, :] = score[:, :]*5 print(score) # 循环数组行和列，每一个数值都除以5 score[:, :] = score[:, :]/5 print(score) # 循环数组行和列，每一个数值除以5取整 score[:, :] = score[:, :] // 5 print(score) # 循环数组行和列，每一个数值除以5取模 score[:, :] = score[:, :] % 5 print(score)
数组间运算（加、减、乘、除），前提是两个数组的shape一样
加：“+”或者np.add(a, b) 减：“-”或者np.subtract(a, b)
乘：“*”或者np.multiply(a, b) 除：“/”或者np.divide(a, b)
c = score + score d = score - score e = score * score # 分母数组保证每个数值不能为0 b = score / score
Numpy.intersect1d(参数 1：数组a；参数 2：数组b)：查找两个数组中的相同元素
Numpy.setdiff1d(参数 1：数组a；参数 2：数组b)：查找在数组a中不在数组b中的元素
Numpy.union1d(参数 1：数组a；参数 2：数组b)：查找两个数组的并集元素
矩阵运算（一种特殊的二维数组）
计算规则
（M行，N列）*（N行，Z列）=（M行，Z列）
st_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(st_score, q) print(result)
矩阵拼接
矩阵垂直拼接（前提两个两个矩阵列数相同，行数随意）：vstack(参数：tuple)
v1 = [[0, 1, 2, 3, 4, 5], [6, 7, 8, 9, 10, 11]] v2 = [[12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23], [18, 19, 20, 21, 22, 23]] result = np.vstack((v1, v2)) print(result)
矩阵水平拼接（前提两个两个矩阵行数相同，列数随意）：hstack(参数：tuple)
v1 = [[0, 1, 2, 3, 4, 5], [6, 7, 8, 9, 10, 11]] v2 = [[12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23]] result = np.hstack((v1, v2)) print(result)
矩阵删除：Numpy.delete(参数 1：a，数组；参数 2：elements，删除的对象；参数 3：axis=0/1)
OriginalY = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(np.delete(OriginalY, [0, 2]))
print(np.delete(OriginalY, [0, 2], axis=0))
print(np.delete(OriginalY, [0, 2], axis=1))
矩阵添加：Numpy.append(参数 1：array，数组；参数 2： elements，添加元素；参数 3： axis=0/1)
OriginalY = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 末尾添加元素
print(np.append(OriginalY, [0, 2]))
# 最后一行添加一行
print(np.append(OriginalY, [[0, 2, 11]], axis=0))
# 最后一列添加一列（注意添加元素格式）
print(np.append(OriginalY, [[0], [2], [11]], axis=1))
矩阵插入：Numpy.insert(参数 1：array，数组；参数 2：index，插入位置索引；参数 3： elements，添加元素；参数 4： axis=0/1)
OriginalY = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(np.insert(OriginalY, 1, [11, 12, 10]))
print(np.insert(OriginalY, 1, [[11, 12, 10]], axis=0))
# 在列索引1的位置插入（注意元素格式，跟添加格式不同）
print(np.insert(OriginalY, 1, [[11, 12, 10]], axis=1))
文件加载
np.loadtxt(fname,dtype,comments='#',delimiter=None,skiprows=0,usecols=None)
fname:读取的文件、文件名
dtype：数据类型
comments：注释
delimiter：分隔符，默认是空格
skiprows：跳过前几行读取，默认是0
usecols：读取哪些列，usecols=（1， 2， 5）读取第1,2,5列，默认所有列
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
