numpy使用

numpy全称是numerical python，是python中用于数值计算最重要的包。它可以用于进行快速的矩阵运算、线性代数、随机数生成和傅里叶变换。

它比python计算列表计算更快，占用内存更少。这是因为numpy是以数组为粒度进行计算的，而python要用for循环来计算。

numpy是scipy, pandas, scikit-learn, tensorflow等框架的底层语言。

我们先来看看numpy中的数据类型：

1. 基础

array本身的属性

arr.ndim # 维数
arr.shape # 维度，(行，列)
arr.size # 元素的个数
arr.dtype # 元素类型

创建数组

# 列表创建
arr = np.array([1,2,3],dtype=np.int8)
# 函数创建
arr = np.arange(start,stop,step,dtype)
arr = np.linspace(start,stop,steps)
arr = np.eye(size) # size可以是int或元组
arr = np.diag(arr) # 如果arr是一维的，那么将生成一个对角矩阵，如果arr是二维的，那么将取对角线上的元素组成一维数组
arr = np.diag([1,2,3],1) # 对角线往上挪了一格，相当于生成4*4的矩阵
np.zeros(size)
np.zeros_like(arr)
np.ones(size)
np.ones_line(arr)
np.empty(size)
np.empty_like(arr)
np.random.randn((2,3))

数组的索引、切片、赋值和复制

import numpy as np
# 索引，切片
arr = np.arange(10)
print(arr[5])
print(arr[5:8])
arr[5:8] = 12
print(arr)

# 赋值
arr_slice = arr[5:8]
print(arr_slice)
arr_slice[1] = 12345 # arr_slice改变，arr也会改变，这并没有复制
print(arr)

# 复制
arr = np.arange(10)
print(arr)
arr_slice = arr[5:8].copy() # 复制，arr_slice改变，arr不会改变
print(arr_slice)
arr_slice[1] = 64
print(arr)

# 二维数组的索引
arr = np.array([[1,2,3],[4,5,6],[7,8,9]])
# 两种方法
print(arr[0,2])
print(arr[0][2])

数组的转置和换轴

arr = np.arange(15).reshape((3,5))
print(arr)
print(arr.T) # 转置

# 换轴
arr = np.arange(16).reshape((2,2,4))
print(arr)
arr = arr.transpose((1,0,2))
print(arr)

random

import numpy as np
np.random.seed(666)

# rand
np.random.rand(5)
np.random.rand(3,4)
np.random.rand(2,3,4)

# randn
np.random.randn(5)
np.random.randn(3,4)
np.random.randn(2,3,4)

# randint
np.random.randint(3)
np.random.randint(1,10)
np.random.randint(10,30,size=(5,))
np.random.randint(10,30,size=(2,3,4))

# random
np.random.random(5)
np.random.random(size=(3,4))
np.random.random((2,3,4))

# choice()
np.random.choice(5,3) # a是数字，则从range(5)中生成，size为3
np.random.choice(5,(2,3))
np.random.choice([2,3,6,7,9],3) # a是数组，从里面抽取出3个数字
np.random.choice([2,3,6,7,9],(2,3))

# shuffle(x)
a = np.arange(10)
result = np.random.shuffle(a)
a = np.arange(20).reshape(4,5)
np.random.shuffle(a) # 只在第一维度进行打散，列的顺序不会改变，在原始数组上操作，不返回值

# permutation(x)
np.random.permutation(10)
arr = np.arange(9).reshape((3,3))
result = np.random.permutation(arr) # 只在第一维度进行打散，列的顺序不会改变，不改变原来数组，返回一个新数组

# normal()
np.random.normal(1,10,10)
np.random.normal(1,10,(3,4))

# uniform()
np.random.uniform(1,10,10)
np.random.uniform(1,10,(3,4))

# 实例：对数组加入随机噪声
x = np.linspace(-10,10,100)
y = np.sin(x)
plt.plot(x,y)

y1 = np.sin(x) + np.random.rand(len(x))
plt.plot(x,y)
plt.show()

数学统计函数

给数组增加维度

# 三种方法

# np.newaxis关键字
arr = np.arange(5)
print(arr.shape)
arr = arr[:,np.newaxis]
print(arr)
# np.expand_dims(arr,axis)
arr = np.arange(5)
print(arr)
arr = np.expand_dims(arr,axis=0)
print(arr.shape)
# np.reshape(arr,newshape))
arr = np.arange(5)
print(arr.shape)
arr = np.reshape(arr,(1,-1))
print(arr.shape)

数组合并

# np.concatenate(array_list,axis) 沿着指定axis进行数组的合并
a = np.arange(6).reshape(2,3)
b = np.random.randint(10,20,size=(4,3))
result = np.concatenate([a,b],axis=0)
print(result)
# np.vsatck或np.row_stack(array_list) 垂直\按行进行数据合并
result = np.vstack([a,b])
print(result)
result = np.row_stack([a,b])
print(result)
# np.hstack或np.column_stack(array_list) 水平\按列进行数据合并
a = np.arange(12).reshape(3,4)
b = np.random.randint(10,20,size=(3,2))
result = np.hstack([a,b])
print(result)
result = np.column_stack([a,b])
print(result)

数组分割

import numpy as np

arr = np.arange(12).reshape(3,4)
print(arr)

print(np.split(arr,2,axis=1))
print(np.split(arr,3,axis=0))
# print(np.split(arr,3,axis=1)) # 报错，np.split只能进行等分
print(np.array_split(arr,3,axis=1)) # 可以进行不等分

print(np.vsplit(arr,3)) # 横向分割，也就是按行分割
print(np.hsplit(arr,2)) # 纵向分割，也就是按列分割

数组的通函数

# * 按元素相乘
a = np.array([[1,1],[0,1]])
b = np.array([[2,0],[3,4]])
result = a*b
print(result)
# dot 矩阵乘积
result = a.dot(b)
print(result)
# np.exp(arr)
# np.sqrt(arr)
# np.add(arr1,arr2)
# np.all(a,axis) 检查指定axis上是否全为True
# np.any(a,axis) 检查指定axis上是否存在True
# np.argmax(a,axis) 返回指定axis上的最大元素的索引
# np.argmin(a,axis) 返回指定axis上的最小元素的索引
# np.argsort(a,axis) 返回指定axis上的从小到大排列的索引
x = np.array([3,1,2])
result = np.argsort(x)
print(result) # array([1,2,0])
# np.sort(a,axis) 返回指定维度上的按照从小到大排列的数组
# np.ceil(a)
# np.floor(a)
# np.clip(a,a_min,a_max)
a = np.arange(10)
print(a)
result = np.clip(a,1,8)
print(a)
# np.cross(a,b) 返回两个矩阵的向量积
# np.minimum(x1, x2[, out]) 返回两个数组的较小值组成的数组
# np.maximum(x1, x2[, out]) 返回两个数组的较大值组成的数组
# np.flipud(a) 对矩阵进行上下翻转
# np.argwhere(a) 返回符合条件的数组的索引
>>> x = np.arange(6).reshape(2,3)
>>> x
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.argwhere(x>1)
array([[0, 2],
       [1, 0],
       [1, 1],
       [1, 2]])

文件读写

# np.fromfile(file, dtype=float, count=-1, sep='', offset=0) 从文本或二进制文件中的数据构造一个数组。使用tofile方法写入的数据可以使用此函数读取。
# file：打开文件对象或文件名。file 或 str 或 Path。
# dtype：返回数组的数据类型。
# count：要读取的字符或字节数。-1表示所有字符或字节（即完整文件）。
# sep：如果文件是文本文件，则字符之间的分隔符。
# offset：与文件当前位置的偏移量（以字节为单位）。默认值为0。仅允许用于二进制文件。

内存管理

# np.ascontiguousarray(a, dtype=None)：将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快。

逻辑运算

# np.logical_and(x1, x2)：返回X1和X2与逻辑后的布尔值。
# np.logical_or(x1, x2)：返回X1和X2或逻辑后的布尔值。
# np.logical_not(x)：返回X非逻辑后的布尔值。
# np.logical_xor(x1，x2)：返回X1和X2异或逻辑后的布尔值。