【星海随笔】numpy概述

import  numpy  as  np

一. numpy 的 array 使用

array = [1,2,3,4]
array = np.array([1,2,3,4])   #转变为了数组，增加了功能
array + 1
#---out---
#array([2, 3, 4, 5])
#运算后只输出，不更改自身
#还可以和其他的列表进行相加，例如下面的列表array1
#但是列表的数量必须一致
#可以通过  len(array)  或者 array.shape 来查看array的数量
#查看array的其中一个值，可以通过 array[数字] 来获得，索引是从 0 开始的

array1 = [1,2,3,4]
array1 + 1
#---out---
#---------------------------------------------------------------------------
#TypeError                                 Traceback (most recent call last)
# in 
#----> 1 array1 + 1

#TypeError: can only concatenate list (not "int") to list

print(type(array))

#
#属性是 ndarray

numpy为了底层计算的高效性 会默认要求里面都是同样的类型
不同的时候，会自动默认转换
例如 float 类型都会转换成 字符串

例如：

array = [1,2,3,4,'5']
array = np.array(array)
array

OUT：array([‘1’, ‘2’, ‘3’, ‘4’, ‘5’], dtype=‘

tang_array.itemsize  #查看占了多少字节。int64 和 int32不同
						# *** 作系统不同则类型不同 int64 是8 ，int32 是4

array.shape

out：(5,)

#显示了有多少个数字，并且是以数组的形式输出的
例如：array.size 或 np.size(X) 只显示总数，不显示维度 out: 5
使用起来和列表的规则基本相同，索引切片 也是支持的，规则也是左包含，右不包含

二. numpy 多维的使用

test_array = np.array([ [1,2,3],
                      [4,5,6],
                      [7,8,9]])

test_array.shape
#out: (3,3)   这里显示的是3行3列

test_array.size
#out: 9

#多维取值：
test_array[1,1]
#得到第一行 的第一列的值 得到  5

#所有行的第一列
test_array[:,1]

#第0行的，前两列
test_array[0,0:2]

#修改定位的点,例如第一列的第一行
test_array[1,1] = 10

# 想要深度拷贝  ndarray  属性的值, 如果直接 = 则是只是复制了 内存指针。
test_array2 = test_array.copy()

array.fill(0)
#将里面的值都刷新为 0

三. numpy array 的 类型

1. dtype=object

np.array([array,array2],dtype=object)

array([array([1, 2, 3, 4]), list([10, 20, 30])], dtype=object)

array = np.array([1,2,3,4,'5'])

out: array([‘1’, ‘2’, ‘3’, ‘4’, ‘5’], dtype=‘ #默认都转换成了字符串

array = np.array([1,2,3,4,'5'],dtype = np.object)

out: array([1, 2, 3, 4, ‘5’], dtype=object)
#得出的结果是什么都可存了

array * 2 #如果所有类型都有相同的同一个方法，例如字符串也可以*2 , ‘5’ 就变成了 ’55‘, 但是不支持 加法

2. dtype=bool

array = np.array([1,2,3,4,5],dtype = np.float64)
新版本dtype不能直接写 float64 或者 float32
可以

mask = np.array([0,0,0,2,4,5],dtype=bool)

array([False, False, False, True, True, True])
#大于 0 的都是True

array = [1,2,3,4,5,6]
array = np.array(array)
array[mask]

out: 4,5,6

bool类型的快速生成：
array支持 > < 判断
例如：

random_array = np.random.rand(10)
random_array > 0.5

out: array([False, True, False, False, False, True, False, False, False,
True])

3. dtype float

test_array = np.array([1,2,3,4,5],dtype=float)

in : test_array.dtype
out： float64 #每个占用8字节
in: test_array.nbytes
out: 40

4. 转变类型

test_array.astype(np.float32)

不改变原值，会输出计算后的值

四. array 的计算

1. 加法

np.sum(test_array,axis=0)
或
test_array.sum(axis=0)

axis=0 #以 X 为轴进行纵列计算
axis=1 #以列为轴 进行 横统计
axis=-1 #相当于最后一个轴

test_array.ndim
#查看数据目前有几个轴

2. 乘法，乘积

test_array.prod()

out : 720 # 等价于 1 * 2 * 3 * 4 * 5 * 6

test_array.prod(axis=0)

out: array([ 4, 10, 18])

3. 求最大最小值，索引位，均值

test_array.min(axis=0)

#以 X 为轴，求每列的最小值

test_array.max(axis=0)

#以X为轴，求每列的最大值

test_array.argmin(axis=0)

#以X为轴 ，求每列的最小值的索引位

test_array.mean(axis=0)

#以X为轴，求均值

4. 求标准差

test_array.std(axis=0)

#以X为轴，求均值

5. 求方差

test_array.var(axis=0)

6. 限制级

test_array.clip(2,4)

#小于 2 的数字 都会转换为 2。
#大于 4 的数字 都会转换为 4。

四舍五入, 对小数进行计算

test_array.round()

对小数点后几位，进行精度输出

test_array.round(decimals=1)

7. 排序

numpy进行排序

test2_array = ([[1.5,1.3,1.8],
               [2.4,1.1,3.5]])
test3_array = np.array(test2_array)
np.sort(test3_array)

out: array([[1.3, 1.5, 1.8],
[1.1, 2.4, 3.5]])

显示排序后，现在的数字的原来的索引是多少

np.argsort(test3_array)

生成数字
np.linspace(0,10,10)
生成数字 从 0 开始，到 10 结束，按规则生成 10 个数字

8. 指定条件进行排序

test2_array = ([1.5,1.3,1.8],
              [3.2,2.3,1.2],
              [1.5,3.3,3.5],
              [4.1,4.3,1.8])
test3_array = np.array(test2_array)

index = np.lexsort([-1*test3_array[:,0],test3_array[:,2]])
#第三列做升序，在第三列相等的情况下，第一列做降序
index
test4_array = test3_array[index]
test4_array

out：
array([1, 3, 0, 2])
array([[3.2, 2.3, 1.2],
[4.1, 4.3, 1.8],
[1.5, 1.3, 1.8],
[1.5, 3.3, 3.5]])

五.array 多维度 *** 作扩展

1. 多维度增加，减少，转换

test_array = test_array[: , np.newaxis , np.newaxis]
test_array.shape

增加了空的shape值，空的维度

可以压缩回去。将没用的维度缩减

test_array = test_array.squeeze()
test_array.shape

test_array.T

#行列位置转换

2. 拼接

test_ALL_array = np.concatenate((a,b))
test_ALL_array

#拼接在一起，将两个相同的数组进行拼接

还可以选择是横着拼或者竖着拼，如下

test_ALL_array = np.concatenate((a,b),axis = 0)
test_ALL_array

#另一种方式
np.vstack((a,b))  #竖着拼
#或者
np.hstack((a,b))  #横着拼

3. 拉平

a.ravel()
#或者
a.flatten()

六.np核心命令

np.arange(2,20,2, dtype=np.float32)

#从 2 开始到 20 每两个数字一跳

np.linspace(0,10,50)

#从 0 到 10 构建 50 个数字

np.logspace(0,10,5)

#生成大数字

x, y = np.meshgrid(x,y)

#构造网格 , 假如 X 只有3个数字，X会构成3*3的多维数组
#y 同理。 比较像立体

np.r_[0:10:1]

#构造横向量

np.c_[0:10:1]

#构造竖向量