Python Numpy常用操作
1 np.split():
| Parameters: | ary : ndarray
indices_or_sections : int or 1-D array
axis : int, optional
|
|---|---|
| Returns: | sub-arrays : list of ndarrays
|
| Raises: | ValueError
|
例子：
1 当数据划分均等的时候：
>>> x = np.arange(9.0)
>>> np.split(x, 3)
输出：[array([ 0., 1., 2.]), array([ 3., 4., 5.]), array([ 6., 7., 8.])]
>>> x = np.arange(8.0)
>>> np.split(x, [3, 5, 6, 10])
输出：[array([ 0., 1., 2.]),
array([ 3., 4.]),
array([ 5.]),
array([ 6., 7.]),
array([], dtype=float64)]
2 当数据划分不均等的时候，报错;
import numpy as np
x = np.arange(7.0)
print(np.split(x, 2))
'array split does not result in an equal division')
ValueError: array split does not result in an equal division
此时使用 np.arry_split()
>>> x = np.arange(8.0)
>>> np.array_split(x, 3)
[array([ 0., 1., 2.]), array([ 3., 4., 5.]), array([ 6., 7.])]
>>> x = np.arange(7.0)
>>> np.array_split(x, 3)
[array([ 0., 1., 2.]), array([ 3., 4.]), array([ 5., 6.])]
成功。
2 np.random.seed
seed( ) 用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed( )值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。
如下测试：
from numpy import *
num=0
while(num<5):
random.seed(5)
print(random.random())
num+=1
结果：
再次修改以上代码：
from numpy import *
num=0
random.seed(5)
while(num<5):
print(random.random())
num+=1
结果：
可以看出：random.seed(something)只能是一次有效。这个用的时候要注意。
3 np.meshgrid(x,y):
n [65]: xnums =np.arange(4)
In [66]: ynums =np.arange(5)
In [67]: xnums
Out[67]: array([0,1, 2, 3])
In [68]: ynums
Out[68]: array([0,1, 2, 3, 4])
In [69]: data_list= np.meshgrid(xnums,ynums)
In [70]: data_list
Out[70]:
[array([[0, 1, 2,3],
[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3]]), array([[0, 0, 0, 0],
[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3],
[4, 4, 4, 4]])]
In [71]: x,y =data_list
In [72]: x.shape
Out[72]: (5L, 4L)
In [73]: y.shape
Out[73]: (5L, 4L)
In [74]: x
Out[74]:
array([[0, 1, 2,3],
[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3]])
In [75]: y
Out[75]:
array([[0, 0, 0,0],
[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3],
[4, 4, 4, 4]])
由上面可以看出，meshgrid的作用是根据传入的两个一维数组参数生成两个数组元素的列表。如果第一个参数是xarray，维度是xdimesion，第二个参数是yarray，维度是ydimesion。那么生成的第一个二维数组是以xarray为行，ydimesion行的向量；而第二个二维数组是以yarray的转置为列，xdimesion列的向量。
4 nump中的为随机数产生器的seed():np.random.RandomState
nump.random.RandomState(0)为随机数产生器的种子，里面的数字相同，则产生的随机数相同。
rng = numpy.random.RandomState(23355)
arrayA = rng.uniform(0,1,(2,3))该段代码的目的是产生一个2行3列的assarray，其中的每个元素都是[0,1]区间的均匀分布的随机数
这里看以看到，有一个23355这个数字，其实，它是伪随机数产生器的种子，也就是“the starting point for a sequence of pseudorandom number”
对于某一个伪随机数发生器，只要该种子（seed）相同，产生的随机数序列就是相同的
1 numpy.random.seed()用于设置随机数种子
seed可以是一个int,满足0<=seed<=2(32−1)，这个条件的int都可以做参数。 seed可以是一个array。 seed可以是None。
用一句话总结numpy.random.seed()和numpy.random.RandomState()的关系：
相同处： 他们的参数都是随机数seed 不同处： numpy.random.RandomState()更为复杂，完全可以代替numpy.random.seed()这条语句。 随机数种子seed只有一次有效，在下一次调用产生随机数函数前没有设置seed，则还是产生随机数。
1.如果需要不产生随机数，则需要每次设置numpy.random.seed()。
num=0
while(num<5):
np.random.seed(1)
print(np.random.random())
num+=1
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
0.4170220047025742.如果需要每次都产生随机数，则可以将随机数seed设置成None，或者不设置。
>>> import numpy
>>>> numpy.random.RandomState(0).rand(4)
>array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])
>>> numpy.random.RandomState(0).rand(4)
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])
>>> numpy.random.RandomState(0).rand(4)
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])
>>> numpy.random.RandomState(None).rand(4)
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])
>>> numpy.random.RandomState(None).rand(4)
array([ 0.4236548 , 0.64589411, 0.43758721, 0.891773 ])
>>> numpy.random.RandomState(None).rand(4)
array([ 0.96366276, 0.38344152, 0.79172504, 0.52889492])5 np.mgrid函数
代码:
z = np.mgrid[1:5, 1:3]
x, y = z[0], z[1]
print(x)
print(y)
结果：
[[1 1]
[2 2]
[3 3]
[4 4]]
[[1 2]
[1 2]
[1 2]
[1 2]]
首先np.mgrid输出至少是一个三维的向量。
其中的元素，z[0],z[1]都是二维矩阵。
z[0]行数由np.mgrid第一个参数决定，上例为1：5，且为1 2 3 4，列数由1：3决定，利用广播机制填充。
z[1]列数由np.mgrid第二个参数决定，上例为1：3，且为1 2 ，行数由1：5决定，利用广播机制填充。
PS：z = np.mgrid[1:5:0.1, 1:3:0.1]
表示1：5切片间隔为0.1，1：3切片间隔为0.1
z = np.mgrid[1:5:4j, 1:3:3j]
表示1：5切片均匀取数，取4个，1：3切片均匀取数，取3个
6 np 形成矩阵
ndarray提供了一些创建二维数组的特殊函数。numpy中matrix是对二维数组ndarray进行了封装之后的子类。这里介绍的关于二维数组的创建，返回的依旧是一个ndarray对象，而不是matrix子类。关于matrix的创建和操作，待后续笔记详细描述。为了表述方便，下面依旧使用矩阵这一次来表示创建的二维数组。
1. diag函数返回一个矩阵的对角线元素、或者创建一个对角阵，对角线由参数k控制
2. diagflat函数以输入作为对角线元素，创建一个矩阵，对角线由参数k控制
3. tri函数生成一个矩阵，在某对角线以下元素全为1，其余全为0，对角线由参数k控制
4. tril函数输入一个矩阵，返回该矩阵的下三角矩阵，下三角的边界对角线由参数k控制
5. triu函数与tril类似，返回的是矩阵的上三角矩阵
6. vander函数输入一个一维数组，返回一个范德蒙德矩阵
7 eye 形成一个单位矩阵
#diag用法
>>> x = np.arange(9).reshape((3,3))
>>> x
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> np.diag(x)
array([0, 4, 8])
>>> np.diag(x, k=1)
array([1, 5])
>>> np.diag(x, k=-1)
array([3, 7])
>>> np.diag(np.diag(x))
array([[0, 0, 0],
[0, 4, 0],
[0, 0, 8]])
>>> np.diag(np.diag(x), k=1)
array([[0, 0, 0, 0],
[0, 0, 4, 0],
[0, 0, 0, 8],
[0, 0, 0, 0]])
#diagflat用法
>>> np.diagflat([[1,2],[3,4]])
array([[1, 0, 0, 0],
[0, 2, 0, 0],
[0, 0, 3, 0],
[0, 0, 0, 4]])
>>> np.diagflat([1,2,3], k=-1)
array([[0, 0, 0, 0],
[1, 0, 0, 0],
[0, 2, 0, 0],
[0, 0, 3, 0]])
#tri
>>> np.tri(3,4, k=1, dtype=int)
array([[1, 1, 0, 0],
[1, 1, 1, 0],
[1, 1, 1, 1]])
>>> np.tri(3,4)
array([[ 1., 0., 0., 0.],
[ 1., 1., 0., 0.],
[ 1., 1., 1., 0.]])
#tril与triu
>>> x = np.arange(12).reshape((3,4))
>>> x
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> np.tril(x, k=1)
array([[ 0, 1, 0, 0],
[ 4, 5, 6, 0],
[ 8, 9, 10, 11]])
>>> np.triu(x, k=1)
array([[ 0, 1, 2, 3],
[ 0, 0, 6, 7],
[ 0, 0, 0, 11]])
#vander
>>> np.vander([2,3,4,5])
array([[ 8, 4, 2, 1],
[ 27, 9, 3, 1],
[ 64, 16, 4, 1],
[125, 25, 5, 1]])
>>> np.vander([2,3,4,5], N=3)
array([[ 4, 2, 1],
[ 9, 3, 1],
[16, 4, 1],
[25, 5, 1]])