numpy 笔记

#from numpy import *

import numpy as np

>>> A = np.array([1,2,3])

array([1, 2, 3])

>>> A = np.mat(A)

matrix([[1, 2, 3]])

>>> np.shape(A)

(1, 3)

>>> B = np.matrix([1,2,3])

>>> np.shape(b)

(1, 3)

# 基本属性

>>>A = np.array([[2],[1]])

>>>A.ndim      #维度  dimension = 2

>>>m,n = A.shape        #m=2, n=1

>>>number = A.size      #元素总数 = 2

>>>A.dtype     　　　　#元素类型  dtype('int64')

>>>A.itemsize         #字节大小 = 8

>>>A.reshape(1,2)     　　#重构

>>>np.resize(A, (1,2))    #重构

>>>np.zeros((3,3))     #零矩阵，参数是一个tuple类型(3,3)

>>>np.ones((2,4))      #1矩阵，默认浮点型，可以使用dtype=int

>>>np.random.rand(2,2)     #随机阵

>>>np.random.randint(10,size=(3,3))   #0-10之间的随机整数矩阵

>>>np.random.randint(2,8,size=(2,5))  #2-8之间的随机整数矩阵

>>>np.eye(2,2,dtype=int)   #单位阵, n=行，M=列，k=对角索引

>>>np.diag([1,2,3])            #对角阵

>>>np.identity(5)                #单位阵

>>>np.linspace(10,20,  5, endpoint =  False)        #等差数列   array([10., 12., 14., 16., 18.])

>>>np.logspace(1, 4, num=10,  base=2)            #等比数列   array([2.,  4.,  8., 16.])

>>>np.empty(A.shape)

>>>np.empty([3,2], dtype =  int)        #空数组

array([[         0, 1072168960],

       [         0, 1072168960],

       [         0,          0]])

>>>A = np.arange(12, dtype = np.int8).reshape(3,4)

array([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [ 8,  9, 10, 11]], dtype=int8)

>>>B = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])

array([nan, 1., 2., nan, 3., 4., 5.])

# 索引

>>>A[[0,2],[3,1]]                 #array([3, 9])

>>>np.arange(10)[2:7:2]      #array([2, 4, 6])

>>>A[A>5]         #array([ 6,  7,  8,  9, 10, 11], dtype=int8)

>>>B[~np.isnan(B)]     #判断缺失，缺失也可用None表示，np.iscomplex() 判断复数

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

# 展开

>>>A.flatten()     #展开，返回副本

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11], dtype=int8)

>>>A.ravel()       #展开，按需返回副本

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11], dtype=int8)

# 广播 / 压缩

# 不同维度数据运算时，维度自动扩充，并按该维度第一个元素带入运算

>>>x = np.array([[1], [2], [3]])

>>>y = np.array([4, 5, 6])

>>>[u + v for (u,v) in np.broadcast(x,y)]

[5, 6, 7, 6, 7, 8, 7, 8, 9]

>>>x+y

array([[5, 6, 7],

       [6, 7, 8],

       [7, 8, 9]])

>>>np.squeeze(x)    #删除一维

>>>np.broadcast_to(y, (3,1))    #广播为指定格式

>>>np.expand_dims(y, axis=0)   #插入维度

# 迭代

# order：'C' — 按行，'F' — 按列，'A' — 原顺序，'k' — 元素在内存中的出现顺序

>>>a = np.arange(12).reshape(3,4)

>>>for i in a: print(i, end=' ')

[0 1 2 3] [4 5 6 7] [ 8  9 10 11]

>>>for i in np.nditer(a, order='C'): print(i, end=' ')     #多维迭代器，深度迭代 , 不指定时a.T与a迭代序列一致

0 1 2 3 4 5 6 7 8 9 10 11 

# 广播迭代

>>>a = np.arange(0,60,5).reshape(3,4)

>>>b = np.array([1,  2,  3,  4], dtype =  int)

>>>for x,y in np.nditer([a,b]): print("%d:%d" % (x,y), end=' ')

0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4

# 克隆

>>>b = a; c=a.copy()      #,order =  'C'|‘F’

>>>id(b) == id(a); id(c) == id(a)     #True, False

>>>A = np.array([[1,2],[3,4]])

>>>B = np.array([[11,12],[13,14]])

>>>A*B    #点积

array([[11, 24],

       [39, 56]])

>>>A*2    #点积

>>>np.multiply(A, B)    #点积，对应元素相乘，同A*B

>>>np.vdot(A, B)        #点积和，对应相乘相加 = 130

>>>np.mat(A)*np.mat(B)    #矩阵乘法

matrix([[37, 40],

        [85, 92]])

>>>np.matmul(A, B) #同np.mat(A)*np.mat(B), 维度不同时，广播

>>>np.dot(A, B)    #同np.mat(A)*np.mat(B)

>>>A.dot(B)　　     #同np.mat(A)*np.mat(B)

>>>np.inner(A, B)　　#内积， 最后一维

array([[35, 41],

       [81, 95]])

>>>A = mat(eye(2,2)*0.5)

>>>A.I    #逆矩阵

>>>A.T       #转置

>>>np.square(A）    #平方

>>>np.sqrt(A)       #开方

# 线性代数

>>>np.linalg.det(a)    #行列式

>>>np.linalg.solve(b, [0,2])   #线性方程组求解

>>>np.linalg.inv(x)　　 #逆矩阵

>>>A = np.mat(np.random.randint(2,8,size=(3,4)))     #2-8之间的随机整数矩阵

matrix([[5, 4, 6, 3],

        [7, 3, 4, 2]

        [0, 5, 3, 1]])

>>>A[1:,1:]     #切片

matrix([[3, 4, 2]

        [5, 3, 1]]) 

>>>A=mat(np.ones((2,2)))

matrix([[ 1.,  1.],

        [ 1.,  1.]])

>>>B=np.mat(np.eye(2))

matrix([[ 1.,  0.],

        [ 0.,  1.]])

# 分割

>>>a = np.arange(9)

>>>np.split(a, 3)        #等分

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

>>>np.split(a, [4,7])　　 #指定位置分割

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

>>>a = np.arange(16).reshape(4,4)

>>>np.hsplit(a, 2)

>>>np.vsplit(a, 2)

# 拼接

>>>np.concatenate((a,b))    　　　　#默认axis=0  纵向拼接

>>>np.concatenate((a,b), axis=1)   #横向拼接

>>>np.stack((a,b),0)      #纵向拼接

>>>np.stack((a,b),1)      #横向拼接

>>>np.vstack((A, B))      #按列合并

matrix([[ 1.,  1.],

        [ 1.,  1.],

        [ 1.,  0.],

        [ 0.,  1.]])

>>>np.hstack((A, B))      #按行合并

matrix([[ 1.,  1.,  1.,  0.],

        [ 1.,  1.,  0.,  1.]])

# 追加

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

>>>np.append(a, [7,8,9])   #转为一维数组

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

>>>np.append(a, [[7,8,9]], axis=0)    #纵向拼接

array([[1,2,3],

　　　　[4,5,6],

　　　　[7,8,9])

>>>np.append(a, [[0,0,0],[7,8,9]], axis=1)    #横向拼接

array([[1, 2, 3, 0, 0, 0],

       [4, 5, 6, 7, 8, 9]])

# 插入

>>>np.insert(a,2,[11,12,13])      #序列对应位置插入

array([ 1,  2, 11, 12, 13,  3,  4,  5,  6])

>>>np.insert(a,1,[11],axis = 0)    #纵向插入，广播

array([[ 1,  2,  3],

       [11, 11, 11],

       [ 4,  5,  6]])

>>>np.insert(a,1,11,axis = 1)      #横向插入，广播

array([[ 1, 11,  2,  3],

       [ 4, 11,  5,  6]])

# 删除

>>>np.delete(a, 5)

>>>np.delete(a, 1, axis=0)

>>>np.delete(a, 1, axis=1)

>>>np.delete(a, np.s_[::2])

# 去重

>>>np.unique(a)

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

>>>np.unique(a, return_index = True)    #返回索引

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

>>>np.unique(a,return_inverse = True)　　#返回下标

>>>np.unique(a,return_counts = True)    #返回重复数

>>>A = [[1,2],[3,2],[5,2]]  #列表

[[1, 2], [3, 2], [5, 2]]

>>>B = np.array(A)       #列表 -> 数组

>>>B = np.asarray(A)    #列表 -> 数组

array([[1, 2],

       [3, 2],

       [5, 2]])

>>>C = np.mat(A)        #列表 -> 矩阵

matrix([[1, 2],

        [3, 2],

        [5, 2]])

>>>np.array(C)           #矩阵 -> 数组

array([[1, 2],

       [3, 2],

       [5, 2]])

>>>C.getA()           #矩阵 -> 数组

array([[1,2]

       [3,2]

       [5,2]])

>>>C.tolist()          #矩阵 -> 列表

[[1, 2], [3, 2], [5, 2]]

>>>B.tolist()          #数组 -> 列表

[[1, 2], [3, 2], [5, 2]]

# 注意： 一维矩阵与一维数组转列表结果不一致

>>>A = np.array([1,2,3])

array([1, 2, 3])

>>>B = np.mat([1,2,3])

matrix([[1, 2, 3]])

>>>C = A.tolist()   #数组 -> 列表

[1, 2, 3]

>>>D = B.tolist()   #矩阵 -> 列表

[[1, 2, 3]]

>>> (C==D)

False

>>> (C is D[0])    #矩阵表示成了二维形式

True

>>>np.char.add(['hello', 'hi'],['abc', 'xyz'])      #类似R的paste0

array(['helloabc'], dtype='<U8')

>>>np.char.multiply('Hello',3)              #类似R的rep

array('HelloHelloHello', dtype='<U15')

# 格式

>>>np.char.center('hello', 20, fillchar = '*')

array('*******hello********', dtype='<U20')

>>>np.char.capitalize('hello world')

array('Hello world', dtype='<U11')

>>>np.char.title('hello how are you?')

array('Hello How Are You?', dtype='<U18')

>>>np.char.lower(['HELLO','WORLD'])

array(['hello', 'world'], dtype='<U5')

>>>np.char.upper(['hello','world'])

array(['HELLO', 'WORLD'], dtype='<U5')

# 拆分

>>>np.char.split ('YiibaiPoint,Hyderabad,Telangana', sep = ',')

array(list(['YiibaiPoint', 'Hyderabad', 'Telangana']), dtype=object)

>>>np.char.splitlines('hello\rhow are you?')

array(list(['hello', 'how are you?']), dtype=object)

# 压缩

>>>np.char.strip(['arora','admin','java'],'a')

array(['ror', 'dmin', 'jav'], dtype='<U5')

>>>np.char.join([':','-'],['dmy','ymd'])

array(['d:m:y', 'y-m-d'], dtype='<U5')

# 替换

>>>np.char.replace ('He is a good boy', 'is', 'was')

array('He was a good boy', dtype='<U17')

# 编码、解码

>>>np.char.encode('hello', 'cp500')

array(b'\x88\x85\x93\x93\x96', dtype='|S5')

>>>np.char.decode(b'\x88\x85\x93\x93\x96','cp500')

array('hello', dtype='<U5')

>>>a = np.array([0,30,45,60,90])

>>>b = np.sin(a * np.pi/180)

>>>np.degrees(b)

# 四舍五入

>>>np.around(a, decimals =  -1)

>>>np.floor(a)

>>>np.ceil(a)

# 数组加减乘除

>>>np.add(a,b)

>>>np.subtract(a,b)

>>>np.multiply(a,b)

>>>np.divide(a,b)

# 其他操作

>>>np.reciprocal(a)      # 倒数

>>>np.power(a,b)        # a数组为底，b为幂

>>>np.mod(a,b)           # 数组a/b余数

>>>np.remainder(a,b)   # 余数

# 复数操作

>>>np.real(a)

>>>np.imag(a)

>>>np.conj(a)    # 共轭复数

>>>np.angle(a, deg =  True)

# 统计操作

>>>np.min(a, 0)　　  #列最小值

>>>np.max(a, 1)　　　#行最大值

>>>np.amin(a, 0)    #数组纵向最小，但参数表示全局

>>>np.amax(a, 1)    #数组横向最大

>>>np.mean(a, axis =  0)     #均值

>>>np.sum(a, axis=0)　　　　　 #列和

>>>np.average([1,2,3,4], weights=[4,3,2,1], returned=True)     #加权均值，返回权值和？

>>>np.std([1,2,3,4])     #标准差

>>>np.var([1,2,3,4])     #方差

>>>std = sqrt(mean((x - x.mean())**2))

>>>np.ptp(a, axis =  0)      # 极差

>>>np.percentile(a,50, axis =  1)     # 分位数

>>>np.median(a, axis =  0)     # 中位数

# 排序、排序索引

# kind = quicksort(默认), mergesort, heapsort

>>>a = np.array([[3,7],[9,1]])

>>>np.sort(a)　　# 按行

>>>np.sort(a, axis=0)   # 按列

>>>a = np.array([3,  1,  2])

>>>np.argsort(a)   # 按行排序索引

array([1, 2, 0], dtype=int64)

>>>a[np.argsort(a)]

>>>argmin(a, axis=0)   # 列最小值行索引

>>>argmax(a, axis=1)

>>>dt = np.dtype([('name', 'S10'),('age', int)])

>>>a = np.array([("raju",21),("anil",25),("ravi",17),("amar",27)], dtype = dt)

>>>np.sort(a, order = 'name')   # 按name

array([(b'amar', 27), (b'anil', 25), (b'raju', 21), (b'ravi', 17)], dtype=[('name', 'S10'), ('age', '<i4')])

>>>key = ('b','c','d','a')

>>>s = ('raju','anil','ravi','amar')

>>>np.lexsort((s,key))

array([3, 0, 1, 2], dtype=int64)

>>>np.nonzero(a)   #非零元素索引

>>>np.where(x > 3)   #满足指定条件的元素位置索引

>>>x = np.arange(9.).reshape(3, 3)

>>>condition = np.mod(x,2)==0

>>>np.extract(condition, x)　　#满足条件的元素，条件为逻辑值

array([0., 2., 4., 6., 8.])