numpy笔记

import numpy as np

一、创建数组

data = np.array([1,2,3,4,5,6])

data

array([1, 2, 3, 4, 5, 6])

type(data)

numpy.ndarray

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

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

data = np.arange(0,20,2)

data

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

data = np.linspace(1,10,10)
data

array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

data = np.linspace(1,10,10,endpoint=False)
data

array([1. , 1.9, 2.8, 3.7, 4.6, 5.5, 6.4, 7.3, 8.2, 9.1])

data = np.zeros(10)
data

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

data = np.zeros([4,5])
data

array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

data = np.zeros([4,5],dtype=int)
data

array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])

data = np.ones(10)
data

array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

data = np.ones([4,5])
data

array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

data = np.ones([4,5],dtype=int)
data

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]])

# 单位矩阵  3*3
np.eye(3)

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

#创建对角矩阵，对角元素是3,4
np.diag([3,4])

array([[3, 0],
       [0, 4]])

# 三行四列都为8
data = np.full((3,4),8)
data

array([[8, 8, 8, 8],
       [8, 8, 8, 8],
       [8, 8, 8, 8]])

data = np.random.randint(2, size=10)
data

array([0, 1, 0, 1, 1, 1, 0, 1, 0, 0])

data = np.random.randint(12,size=(3,4))
data

array([[ 2, 11,  9,  4],
       [11,  1,  8,  2],
       [11,  8,  4,  1]])

二、数组属性

# 返回int，表示数组的维度
data.ndim

2

# 返回几行几列
data.shape

(3, 4)

# 返回元素个数
data.size

12

# 返回元素类型
data.dtype

dtype('int32')

data * 4

array([[ 8, 44, 36, 16],
       [44,  4, 32,  8],
       [44, 32, 16,  4]])

data + 2

array([[ 4, 13, 11,  6],
       [13,  3, 10,  4],
       [13, 10,  6,  3]])

data - 1

array([[ 1, 10,  8,  3],
       [10,  0,  7,  1],
       [10,  7,  3,  0]])

data / 2

array([[1. , 5.5, 4.5, 2. ],
       [5.5, 0.5, 4. , 1. ],
       [5.5, 4. , 2. , 0.5]])

三、数组访问

data = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]])
data

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12],
       [13, 14, 15, 16],
       [17, 18, 19, 20]])

# 取第一行
data[0]

array([1, 2, 3, 4])

# 取最后一行
data[-1]

array([17, 18, 19, 20])

# 取第一列
data[:,0]

array([ 1,  5,  9, 13, 17])

# 取最后一列
data[:,-1]

array([ 4,  8, 12, 16, 20])

# 取某一位置，如第三行第三列
data[2,2]

11

# 取某一位置，如第三行第三列
data[2][2]

11

# 取特定行
data[0:3]

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

data[::-1]

array([[17, 18, 19, 20],
       [13, 14, 15, 16],
       [ 9, 10, 11, 12],
       [ 5,  6,  7,  8],
       [ 1,  2,  3,  4]])

# 转置
data.T

array([[ 1,  5,  9, 13, 17],
       [ 2,  6, 10, 14, 18],
       [ 3,  7, 11, 15, 19],
       [ 4,  8, 12, 16, 20]])

四、数组高级索引

data

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12],
       [13, 14, 15, 16],
       [17, 18, 19, 20]])

data[[3,2],[0,1]]

array([13, 10])

data[[1,2],[1,2]]

array([ 6, 11])

data[[1,-1],[0,1]]

array([ 5, 18])

data[[0,-1]][:,[0,1,3]]

array([[ 1,  2,  4],
       [17, 18, 20]])

data[np.ix_([0,-1],[0,1,3])]

array([[ 1,  2,  4],
       [17, 18, 20]])

五、数组形状改变

data

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12],
       [13, 14, 15, 16],
       [17, 18, 19, 20]])

data.size

20

data.shape

(5, 4)

# 将数组改成想要的维度
data = data.reshape(4,5)

data

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])

data.shape

(4, 5)

data = data.reshape(1,20)

data

array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
        17, 18, 19, 20]])

data.shape

(1, 20)

# 将多维数组展开为一维数组
data.flatten()

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17,
       18, 19, 20])

# 将一维数组转换为二维数组
arr1 = np.array([1,2,3])
arr2 = np.array(['3','2','1'])
np.vstack((arr1,arr2))

array([['1', '2', '3'],
       ['3', '2', '1']], dtype='<U11')

# 将多个数组，组合成一个更大的数组
np.hstack((arr1,arr2))

array(['1', '2', '3', '3', '2', '1'], dtype='<U11')

arr1 = np.array([[1,2,3],[4,5,6]])
arr2 = np.array([[7,8,9],[10,11,12]])

# concatenate用于合并数组,0代表纵向，1代表横向
np.concatenate((arr1,arr2),axis=0)

array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])

np.concatenate((arr1,arr2),axis=1)

array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])

六、数组广播机制

• 一维数组，广播运算时，按照行补齐方式，当行数不一致时，首先补齐行数，然后进行运算
• 二维数组，广播运算时，当列数不一致时，首先补齐列数，然后进行运算，当行数不一致时，首先补齐行数，然后进行运算

七、数组的排序、搜索

data = np.array([1,4,5,3,4,2514,5123,5,6])

# 从小到大排序
data = np.sort(data)
data

array([   1,    3,    4,    4,    5,    5,    6, 2514, 5123])

data = np.array([9,4,6,1,4,34,23,14,6])

# 返回数据从小到大的索引值
data = np.argsort(data)
data

array([3, 1, 4, 2, 8, 0, 7, 6, 5], dtype=int64)

# 返回的是数组中最小值对应的索引位置
np.argmin(data)

5

# 返回的是数组中最大值对应的索引位置
np.argmax(data)

4

# 满足条件(condition)，输出x，不满足输出y
np.where(data>4,True,False)

array([False, False, False, False,  True, False,  True,  True,  True])

# 返回满足条件的元素值
np.extract(data>4,data)

array([8, 7, 6, 5], dtype=int64)

八、字符串处理

九、统计计算

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

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

# 对行进行求和
data.sum(axis=1)

array([ 6, 15, 24])

# 对列进行求和
data.sum(axis=0)

array([12, 15, 18])

# 对行进行计算均值
data.mean(axis=1)

array([2., 5., 8.])

# 对列进行计算均值
data.mean(axis=0)

array([4., 5., 6.])

# 累计求和
data.cumsum()

array([ 1,  3,  6, 10, 15, 21, 28, 36, 45], dtype=int32)

# 计算一个多维数组的任意百分比分位数
np.percentile(data,[0,25,50,75,100])

array([1., 3., 5., 7., 9.])