numpy

1. 什么是numpy
   NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合 C/C++/Fortran 代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

二. Numpy的使用

1. 用Numpy创建数组

    import numpy as np
    
    
    # 1). 创建数组: a, b, c创建的数组相同， 任选一种;
    a = np.array([1, 2, 3, 4, 5])
    b = np.array(range(1, 6))
    c = np.arange(1, 6)
    
    print(a, b, c)
    #
    # # 2). 查看numpy创建的数组类型
    print(type(a))
    print(type(b))
    print(type(c))
    
    #
    # 3). 查看数组存储的数据类型, 常见的数据类型还有哪些?
    print(a.dtype)   # 为什么是int64？ 因为硬件架构是64位;
    
    
    # 4). 制定创建的数组的数据类型
    d = np.array([1.9, 0, 1.3, 0], dtype=float)
    print(d, d.dtype)
    #
    # 5). 修改数组的数据类型
    e = d.astype('int64')   # 里面可以是数据类型， 也可以是数据代码;int64---i1
    print(e, e.dtype)
    
    # 6). 修改浮点数的小数点位数
    # 随机创建一个三行四列的数组;
    f = np.random.random((3, 4))
    print(f)
    
    # 修改浮点书的小数位数为3位
    g = np.round(f, 3)
    print(g)
   

运行结果为：

2. 矩阵的转置

    import numpy as np
    
    data = np.random.random((3, 4))
    
    # 转换数据结构 # 2,6
    data = data.reshape((2, 6))
    
    print(data)
    print("转置: ", data.T)
    print("转置: ", data.transpose())
    print("转置: ", data.swapaxes(1, 0))
   

运行结果为：

3. Numpy的切片和索引

    import numpy as np
    a = np.arange(12).reshape((3, 4))
    
    print(a)
    
    # *****************取单行或者单列*********************
    # 取第2行;
    print(a[1])
    # 取第3列;
    print(a[:, 2])
    # 获取第2行3列的数据
    print(a[1, 2])
    
    
    
    # *****************取连续行或者列*********************
    # 取第2行和第3行;
    print(a[1:3])
    
    # 取第3列和第4列
    print(a[:, 2:4])
    
    # 行： 1和2   列: 2
    print(a[0:2, 1:2])
    
    
    
    # *****************取不连续的行或者列*********************
    # 行： 1和3   列: all 获取第一行和第三行的所有元素
    print(a[[0, 2], :])
    # 行: all   列: 1, 4
    print(a[:, [0, 3]])
    # 行： 1 , 3   列： 1 4  获取第一行第一列的元素， 和第三行第4列的元素
    print("*"*10)
    print(a[[0, 2], [0, 3]])
   

4. Numpy中数值的修改

    import numpy as np
    
    # 执行行和指定列的修改
    t = np.arange(24).reshape((4, 6))
    print(t)
    #行： all, 列: 3,4
    t[:, 2:4] = 0
    print(t)
    
    # 布尔索引
    print(t < 10)
    #
    t[t < 10] = 100
    print(t)
    
    t[t > 20] = 200
    print(t)
    
    
    # numpy的三元运算符 t<100?0:10
    t1  = np.where(t < 100, 0, 10)
    print(t)
    print(t1)
   

运行结果为：

5. 获取矩阵的四角元素

    import  numpy as np
    
    def get_edge(data):
        row  ,column = data.shape
        rows = np.array([[0,0],[row-1,row-1]])
        cols = np.array([[0,column-1] , [0,column-1]])
        return data[rows,cols]
    
    if __name__ == '__main__':
        x= np.arange(30).reshape((5,6))
        print("data" , x)
        print("result:" , get_edge(x))
   

运行结果为：

6. 花式索引

    """
    花式索引
        花式索引指的是利用整数数组进行索引。
    
        花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素；
        如果目标是二维数组，那么就是对应下标的行。
    
        花式索引跟切片不一样，它总是将数据复制到新数组中。
    """
    
    import numpy as np
    # 传入顺序索引数组
    x = np.arange(32).reshape((8, 4))
    print(x)
    print(x[[4, 2, 1, 7]])
    
    # 传入倒序索引数组
    x=np.arange(32).reshape((8,4))
    print (x[[-4,-2,-1,-7]])
    
    # 传入多个索引数组（要使用np.ix_）
    """
    原理：np.ix_函数就是输入两个数组，产生笛卡尔积的映射关系
    将数组[1,5,7,2]和数组[0,3,1,2]产生笛卡尔积，就是得到
    (1,0)，(1,3)，(1,1)，(1,2)；(5,0)，(5,3)，(5,1)，(5,2)；(7,0)，(7,3)，(7,1)，(7,2)；(2,0)，(2,3)，(2,1)，(2,2)；
    """
    x=np.arange(32).reshape((8,4))
    print(x)
    print (x[np.ix_([1,5,7,2],[0,3,1,2])])
   

运行结果为：


7. 数组形状改变

"""
    reshape	不改变数据的条件下修改形状
         numpy.reshape(arr, newshape, order='C')
         order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'k' -- 元素在内存中的出现顺序。
    flat	数组元素迭代器

    flatten	返回一份数组拷贝，对拷贝所做的修改不会影响原始数组
    ravel	返回展开数组
"""

import numpy as np

print("****************************************flat********************************")
a = np.arange(9).reshape(3, 3)
print('原始数组：')
for row in a:
    print(row)

# 对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器：
print('迭代后的数组：')
for element in a.flat:
    print(element)

#
print("*********************************flatten**************************************")
a = np.arange(8).reshape(2, 4)

print('原数组：')
print(a)
print('\n')
# 默认按行

print('展开的数组：')
print(a.flatten())
print('\n')

print('以 F 风格顺序展开的数组：')
print(a.flatten(order='F'))


print("*********************************ravel*************************************")
a = np.arange(8).reshape(2, 4)

print('原数组：')
print(a)
print('\n')

print('调用 ravel 函数之后：')
print(a.ravel())
print('\n')

print('以 F 风格顺序调用 ravel 函数之后：')
print(a.ravel(order='F'))

运行结果为：

8. 数组的拼接

    import numpy as np
    
    print("concatenste")
    a = np.array([[1, 2], [3, 4]])
    print("第一个数组：")
    print(a)
    print('\n')
    
    b = np.array([[5, 6], [7, 8]])
    print("第二个数组：")
    print(b)
    print('\n')
    
    print("沿0轴连接两个数组")
    print(np.concatenate((a, b)))
    print('\n')
    print("沿1轴连接两个数组")
    print(np.concatenate((a, b), axis=1))
    
    print("stack")
    a = np.array([[1, 2], [3, 4]])
    print("第一个数组")
    print(a)
    print('\n')
    b = np.array([[5, 6], [7, 8]])
    print("第二个数组")
    print(b)
    print('\n')
    
    print("沿0堆叠两个数组")
    print(np.stack((a, b), axis=0))
    print('\n')
    print("沿1轴堆叠两个数组")
    print(np.stack((a, b), axis=1))
    
    print("hstack")
    a = np.array([[1, 2], [3, 4]])
    print("第一个数组")
    print(a)
    print('\n')
    b = np.array([[5, 6], [7, 8]])
    print("第二个数组")
    print(b)
    print('\n')
    
    print("水平堆积")
    c = np.hstack((a, b))
    print(c)
    print('\n')
    
    print("竖直堆积")
    d = np.stack((a, b))
    print(d)
    print('\n')
   

运行结果为：

9. 数组元素的添加与删除

     import  numpy as np
    
    print("append")
    a = np.array([[1,2,3] ,[4,5,6]])
    print("第一个数组")
    print(a)
    print('\n')
    print("向数组中添加元素")
    print(np.append(a,[7,8,9]))
    print('\n')
    
    print("沿0 轴添加元素")
    print(np.append(a,[[7,8,9]] ,axis=0))
    print('\n')
    
    print("沿1轴添加元素")
    print(np.append(a,[[5,5,5],[7,8,9]] ,axis=1))
    
    print("insert")
    a = np.array([[1,2],[3,4],[5,6]])
    print("第一个数组")
    print(a)
    print('\n')
    
    print("未传递AXIS 参数，在插入之前数组会被展开")
    print(np.insert(a ,3,[11,12]))
    print('\n')
    
    print("传递了axis 参数，会传播值数组来配入数组")
    print("沿0轴传播")
    print(np.insert(a,1,[11],axis=0))
    print("沿1轴传播")
    print(np.insert(a,1,11,axis = 1))
    
    
    print("delete")
    a = np.arange(12).reshape(3,4)
    print("第一个数组")
    print(a)
    print('\n')
    
    print("未传递axis参数，在插入之前输出的数组会被展开")
   

运行结果为：