Numpy模块

python核心没有数组的概念，在Numpy以前用列表来模拟数组，但由于列表的通用性，这种模拟与C相比时间花销更大，数值计算缓慢。标准的解决方案就是使用Numpy模块，Numpy的内部实现为C的数组，其对象称为ndarray。

广播broadcast

法则：

• 法则一：

  若多个数组的维度(或叫轴)的数量ndim不同，对ndim少的数组，从后向前使用“1”来扩展，直到所有数组的ndim相同。

• 法则二：

  此时(所有数组的ndim已经相同)判断能否广播，若存在两数组的shape中某一对应位置都不包含1且不相等，则不能广播抛出ValueError；否则可以广播，将“1”改为对应维度大小的最大值，最终所有数组的shape都相同。

举例：

• 例一
  a = np.array([[1, 2, 3], [4, 5, 6]]) a.shape=(2,3)
  b = np.array([4, 5, 6])b.shape=(3, )
  c = np.array(2)c.shape=()
  a * b + c，
  由法则一：b.shape改为(1, 3)，c.shape改为(1, 1)
  由法则二：首先判断得出可以广播，然后将b.shape索引为0元素的改为最大值2(max{a.shape[0], b.shape[0], c.shape[0]})，此时b的元素在逻辑上进行复制，即b.shape为(2, 3)。同样，将c.shape改为(2, 3)。

• 例二
  a = np.array([[1, 2, 3], [4, 5, 6]]) a.shape=(2,3)
  b = np.array([4, 5])b.shape=(2, )
  由法则一：b.shape改为(1, 2)
  由法则二：a.shape[0]和b.shape[0]满足，但a.shape[1]和b.shape[1]不满足，不能广播。

创建ndarray数组

生成一维数组

• np.array([[1, 2], [3, 4]])
• np.linsapce(start, stop, num=50, endpoint=True, retstep=False, dtype=None)，num为长度，endpoint=True包含stop，retstep=True返回数组和步长step的元组。
• np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)，start和stop分别为起始指数和终止指数，base为底数，num为元素个数。
• np.mgrid[start, stop, numj]，包含stop，注意中括号
• np.arange(start=0, stop, step=1, dtype=None)，类似内置函数range，左闭右开。
• np.ones(num, dtype=float)，num为长度，默认float
• np.zeros(num, dtype=float)
• np.ones_like(x)，size和x相同
• np.zeros_like(x)
• np.diag()
• np.eye()

生成二维数组

• np.mgrid[start1, stop1, num1j, start2, stop2, num2j]，二维网格数据，注意中括号
• np.meshgrid(x, y)，x、y可由linspace或arange生成
• np.ones(size, dtype=float)
• np.zeros(num, dtype=float) `

 x = np.linspace(0, 3, 4)	# 等价于x = np.mgrid[0:3:4j]
 y = np.linspace(-1, 4, 5)	# 等价于y = np.mgrid[-1:4:5j]
 (xm, ym) = np.linspace(x, y)	
 (xm, ym) = np.mgrid[0:3:4j, -1:4:5j]	# 不能np.mgrid[x, y]

一些记录

正无穷np.inf
负无穷np.NINF
可以0/np.inf，但不能np.inf/np.inf，这种需求时可以定义INF=1.0e99

x=np.where(a＞0)返回元组(i, j, k,…)，其len与a的轴数或维度相同，其中i, j, k是同维度的array数组。a[i[idx], j
注意：a[x]=a[x]/2，得到的是整数，当索引是where时数据类型得一致？仅a[x]/2还不是

理解axis
np.sum(a, axis=0)
第0轴上的元素相加，第0轴将消失，可通过a.shape查看。类比三维坐标系的画法，x、y、z分别对应0、1、2

学会数shape
去掉最外面的[]，此时最大[]的个数为shape[0]
以此类推

或者，最里面的[]里的元素个数为shape[end-1]
以此类推

所以，当是三维的时候，shape[0]为高的维度，shape[1]为行，shape[2]为列（用reshape和tile的时候得注意），就shape是个例外，其他与axis保持一致
[[1,2]
[1,2]
[1,2]]
(3,2)

vstack, hstack, dstack，第一二三位上堆叠
区别
np.zeros(shape=(m, 0))，为空，vstack、hstack不影响
np.zeros(shape=(m,))

numpy中power运算时，底数为负数时幂指数不能是小数。
np.power(-2, 2.3)
(-2)**2.3

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time   : 2020/12/21 21:11
# @Author : Jin Echo

import numpy as np
a = np.array(2)     # 默认32
print('a.dtype:', a.dtype)
print('2**30: ', a**30)
print('2**31: ', a**31)
print('2**32: ', a**32)

b = np.array(2, dtype=np.int64)     # 默认32
print('\nb.dtype:', b.dtype)
print('2**30: ', b**30)
print('2**31: ', b**31)
print('2**32: ', b**32)

a.shape=(2,)
np.tile(a,5).reshape(2, 5)

gen_x = np.clip(gen_x, self.lb, self.ub)
res = np.zeros(shape=(0, 3)
np.r_: 两矩阵按行合并，增加行，等价于np.row_stack((a, b))
np.c_: 两矩阵按列合并，增加列，价于np.column_stack(a,b)
np.range(1, 10, 2): 只能int
np.arange(1, 5, 0.5):包含5，可以设置不包含
np.linspace(0,5,6)：包含5

np.log(x)、np.log10(x)、np.log2(x)
np.exp(1)
a = np.log1p(x)—x=np.expm1(a)

np.random.seed(0)，
np.random.shuffle(a)，可变对象列表，无返回值

np.matrix.tolist(a)：ndarray数组转换为列表

常用属性

dtype
shape
ndim
size
T

常用方法

• np.reshape(a, newshape, order=‘C’
  newshape=(m, )或(m, n)。m*n必须为数组元素个数，m、n中的一个可以为-1，将自动推算新形状。等价于ndarray.reshape(shape, order=‘C’)
• a.reshape()和a.resize()，都返回变形对象，前者原数组不变，后者原数组改变。
• a.flatten()/ravel()返回展平数组，原数组不变
• a.sum/prod/argmax/compress
• np.hastck()/vstack()/concatenate()/c_[]/r_[]组合数组,区别stack和concatenate
• np.hsplit/()vsplit()/split()分割数组
• np.random.rand/randn

有没有查找到第一个元素就结束的？(即返回第一个满足条件的索引，不再继续找)
argwhere看看有没有其他参数
numpy查找某一元素的索引
np.argmin返回第一个最小值的索引
np.argwhere(条件)
(a==1).nonzero(0)

以下两个好用
对2D np.ndarray
i, j = np.where(a == value)
对1D np.ndarray
i, = np.where(a == value)或i = np.where(a == value)[0]：返回满足条件的数组，i[0]取第一个

其实对numpy数组，可以直接：
idx_bool = a>0.5
a[idx_bool] = 1
但列表不能这么玩

pytorch nonzero、where函数与numpy应该是一样的

踩坑

• ndarray数组是可变对象

  a = np.zeros(2)
  b = a
  a[0] = 0
  0==b[0]  # True
  

  使用浅拷贝b=copy.copy(a), b = a[:] , 深拷贝b = copy.deepcopy(a)。b = a[:]不行
  id(a)==id(b) or a is b

  a = np.zeros(4)
  b = a[0:2]
  b[0] = 1
  1==b[0]   # True
  

  修改b[0]，a[0]将变换；修改a[0]，b[0]将变化
  但b = a[0]，将不影响