文章目录
每篇前言
一、数组操作
1. 查看数据形状
```python
>>> a1 = np.array([1,2,3,4,5])
>>> a1
array([1, 2, 3, 4, 5])
>>> a1.shape
(5,) # 括号内1个值表示一维数组
>>> a2 = np.array([[1,2,3,4],[5,6,7,8]])
>>> a2
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
>>> a2.shape
(2, 4) # 括号2个值表示二维数组
>>> a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
>>> a3
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
>>> a3.shape
(2, 2, 3) # 括号3个值表示三维数组
2. 修改数组形状
语句:reshape(shape, order='C' )
作用:不改变数据的条件下修改形状
参数说明:
- shape:形状
- 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.array([[1,2,3,4],[5,6,7,8]])
>>> a.reshape(4,2)
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
# 再次查看数组形状发现只是临时修改
>>> a.shape
(2, 4)
# 可以用一个变量来接收返回值
>>> b = a.reshape(4,2)
>>> b
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
语句:flatten( order='C')
作用:展平的数组元素并拷贝一份,顺序通常是"C风格"
注意:修改返回的数组不会对原数组产生影响
参数说明:
- order:‘C’-按行,‘F’–按列,‘A’–原顺序,‘k’ -元素在内存中的出现顺序
>>> c = np.array([[1, 2],[3, 4],[5, 6],[7, 8]])
>>> c
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
>>> c.shape
(4, 2)
# 方法1
>>> c.reshape(c.shape[0]*c.shape[1],)
array([1, 2, 3, 4, 5, 6, 7, 8])
# 方法2
>>> c.flatten()
array([1, 2, 3, 4, 5, 6, 7, 8])
3. 数组和数的计算
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> a + 1
array([[ 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11]])
>>> a - 1
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
>>> a * 2
array([[ 2, 4, 6, 8, 10],
[12, 14, 16, 18, 20]])
>>> a / 10
array([[0.1, 0.2, 0.3, 0.4, 0.5],
[0.6, 0.7, 0.8, 0.9, 1. ]])
4. 数组和数组的计算
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20]])
>>> a + b
array([[12, 14, 16, 18, 20],
[22, 24, 26, 28, 30]])
>>> a - b
array([[-10, -10, -10, -10, -10],
[-10, -10, -10, -10, -10]])
>>> a * b
array([[ 11, 24, 39, 56, 75],
[ 96, 119, 144, 171, 200]])
>>> a / b
array([[0.09090909, 0.16666667, 0.23076923, 0.28571429, 0.33333333],
[0.375 , 0.41176471, 0.44444444, 0.47368421, 0.5 ]])
>>> a = np.arange(1,6).reshape(5,)
>>> a
array([1, 2, 3, 4, 5])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20]])
>>> a + b
array([[12, 14, 16, 18, 20],
[17, 19, 21, 23, 25]])
>>> a * b
array([[ 11, 24, 39, 56, 75],
[ 16, 34, 54, 76, 100]])
>>> a = np.arange(1,3).reshape(2,1)
>>> a
array([[1],
[2]])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20]])
>>> a + b
array([[12, 13, 14, 15, 16],
[18, 19, 20, 21, 22]])
>>> a * b
array([[11, 12, 13, 14, 15],
[32, 34, 36, 38, 40]])
>>> a = np.arange(1,13).reshape(3,4)
>>> a
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> b = np.arange(1,11).reshape(2,5)
>>> b
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> a + b
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (3,4) (2,5)
5. 数组中的转置
>>> t
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17]])
>>> t.transpose()
array([[ 0, 6, 12],
[ 1, 7, 13],
[ 2, 8, 14],
[ 3, 9, 15],
[ 4, 10, 16],
[ 5, 11, 17]])
>>> t.swapaxes(1,0)
array([[ 0, 6, 12],
[ 1, 7, 13],
[ 2, 8, 14],
[ 3, 9, 15],
[ 4, 10, 16],
[ 5, 11, 17]])
>>> t.T
array([[ 0, 6, 12],
[ 1, 7, 13],
[ 2, 8, 14],
[ 3, 9, 15],
[ 4, 10, 16],
[ 5, 11, 17]])
以上的三种方法都可以实现二维数组的转置的效果,大家能够看出来,转置和交换轴的效果一样
6. 数组的拼接
数组水平或者竖直拼接很简单,但是拼接之前应该注意什么?
竖直拼接的时候:每一列代表的意义相同!!!否则牛头不对马嘴
如果每一列的意义不同,这个时候应该交换某一组的数的列,让其和另外一类相同
>>> t1 = np.arange(0,12).reshape(2,6)
>>> t1
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])
>>> t2 = np.arange(12,24).reshape(2,6)
>>> t2
array([[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
>>> np.vstack((t1,t2)) # 竖直拼接
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
>>> np.hstack((t1,t2)) # 水平拼接
array([[ 0, 1, 2, 3, 4, 5, 12, 13, 14, 15, 16, 17],
[ 6, 7, 8, 9, 10, 11, 18, 19, 20, 21, 22, 23]])
7. 数组的行列交换
>>> t = np.arange(12,24).reshape(3,4)
>>> t
array([[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]])
>>> t[[1,2],:] = t[[2,1],:] # 行交换
>>> t
array([[12, 13, 14, 15],
[20, 21, 22, 23],
[16, 17, 18, 19]])
>>> t[:,[0,2]] = t[:,[2,0]] # 列交换
>>> t
array([[14, 13, 12, 15],
[22, 21, 20, 23],
[18, 17, 16, 19]])
8. 数组中的clip(裁剪)
>>> t = np.arange(0,20).reshape(5,4)
>>> t
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
>>> t.clip(9,10) # 小于9的修改为9,大于10的修改为10
array([[ 9, 9, 9, 9],
[ 9, 9, 9, 9],
[ 9, 9, 10, 10],
[10, 10, 10, 10],
[10, 10, 10, 10]])
9. 数组中数值的修改
>>> t = np.arange(0,20).reshape(5,4)
>>> t
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
>>> t[0,0] = 100
>>> t
array([[100, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[ 12, 13, 14, 15],
[ 16, 17, 18, 19]])
>>> t[:,0:2] = 0
>>> t
array([[ 0, 0, 2, 3],
[ 0, 0, 6, 7],
[ 0, 0, 10, 11],
[ 0, 0, 14, 15],
[ 0, 0, 18, 19]])
>>> # 把数组中小于20的数全部修改为0
>>> t[t<20] = 0
>>> t
array([[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0]])
>>> t[t==0] = 1 # 等于0的都修改为1
>>> t
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
二、numpy常用方法
1. 小技巧
1)获取最大值最小值的位置
# 一维数组
>>> t1
array([11, 12, 13, 14, 15, 16, 17, 18, 19])
>>> np.argmax(t1,axis=0) #返回最大值索引
8
>>> np.argmin(t1,axis=0) #返回最小值索引
0
# 多维数组就返回每行的最大或最小值
>>> t2 = np.arange(0,16).reshape(4,4)
>>> t2
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
>>> np.argmax(t2,axis=0)
array([3, 3, 3, 3], dtype=int64)
>>> np.argmin(t2,axis=0)
array([0, 0, 0, 0], dtype=int64)
2)创建一个全0的数组: np.zeros((3,4))
>>> np.zeros((3,4))
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
3)创建一个全1的数组:np.ones((3,4))
>>> np.ones((3,4))
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
4)创建一个对角线为1的正方形数组(方阵):np.eye(3)
>>> np.eye(3)
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>> np.eye(10)
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])
2. 生成随机数
方法 | 说明 |
---|---|
np.random.rand(d0, d1,.. dn) | 创建d0-dn维度的均匀分布的随机数数组,浮点数,范围从0-1 |
np.random.randn(d0,d1,. .dn) | 创建d0-dn维度的标准正态分布随机数,浮点数,平均数0,标准差1 |
np.random.randint(low, high,(shape)) (常用) | 从给定上下限范围选取随机数整数,范围是low,high,形状是shape |
np.random.uniform( low, high,(size)) | 产生具有均匀分布的小数数组,low起始值,high结束值,size形状 |
np.random.normal(loc, scale,(size)) | 从指定正态分布中随机抽取样本,分布中心是loc (概率分布的均值) ,标准差是scale,形状是size |
np.random.seed(s) | 随机数种子,s是给定的种子值。因为计算机生成的是伪随机数,所以通过设定相同的随机数种子,可以每次生成相同的随机数 |
>>> np.random.randint(10,20,(3,3))
array([[13, 15, 18],
[18, 17, 15],
[15, 10, 12]])
>>> np.random.randint(10,20,(3,3))
array([[17, 12, 16],
[10, 10, 14],
[15, 14, 12]])
3. 注意点copy和view
a=b 完全不复制,a和b相互影响
a = b[:],视图的操作,一种切片,会创建新的对象a,但是a的数据完全由b保管,他们两个的数据变化是一致的,
a = b.copy(),复制,a和b互不影响
三、书籍推荐
【书籍内容简介】
- 京东自营:https://item.jd.com/12609791.html
- 当当自营:http://product.dangdang.com/28496655.html