python包介绍:numpy

Posted UQI-LIUWJ

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python包介绍:numpy相关的知识,希望对你有一定的参考价值。

1 ndarray

1.1 创建

np.array(object,dtype=…)

用object创建ndarray

 

empty(shape,dtype=)

指定形状&类型,元素值均为随机值

zeros(shape,dtype=)

填充0

ones

填充1

full(shape,num,dtype)

用num填充shape大小的数组

eye(num,dtype)

等同于identity(num,dtype)

num*num的单位矩阵

random.random(shape,dtype)

diag

当 np.diag(array) 

array是一个1维数组时,结果形成一个以一维数组为对角线元素的矩阵

array是一个二维矩阵时,结果输出矩阵的对角线元素

empty_like(x)

创建一个形状和x一样的,数值随机

arange(start, stop, step, dtype)

  

linspace

创建一个等差数列

 

 

logspace

创建一个等比数列

 

 1.2 ndarray 属性

ndim

矩阵维数

shape

数组的维度(元组形式)【用reshape调整大小】

itemsize

一个元素的大小(占几个字节)

real

元素的实部

imag

元素的虚部

dtype

数据类型

size

元素个数

1.3 切片

a[start:end:step]

左闭右开

a[…,x]——第x+1列

a[x,…]——第x+1行

a[[list1],[list2]]

获取

(list1[0].list2[0])

(list1[1].list2[1])

(list1[2].list2[2])

….等索引位置的数据

 

a[list]

获取list中这几行元素

a[np.ix_([list1],[list2])]

获取第list1行的第list2列的数据

 

1.3.1 切片的性质 

切片是原来的array的一个视图,修改切片的话,原来的也改变了

!!!记住结论:!!!

如果是数字/带数字的':'来切片的话,不论是不是有塌缩(类似于r1那样的变成一维的)都是原来的的一个view,元素修改了就一起修改了

如果是数组这样的索引切片的话(注:元组tuple不行),那么就是copy不是view了

如果是混合的(一个数组,一个纯数字),那么就是copy(因为有数组切片了)

import numpy as np
a=np.array([[1,2,3],[3,4,5],[7,8,9]])
b=a[1,:]
c=a[[1],:]
d=a[1:2,:]
print(a,'\\n',b,c,d)
'''
[[1 2 3]
 [3 4 5]
 [7 8 9]] 
 [3 4 5] [[3 4 5]] [[3 4 5]]
'''
b[1]=10
print(a,'\\n',b,c,d)
'''
[[ 1  2  3]
 [ 3 10  5]
 [ 7  8  9]] 
 [ 3 10  5] [[3 4 5]] [[ 3 10  5]]
'''

 1.4 布尔索引

 

 

 2  数组运算

 执行数组的运算必须有相同的行列/符合广播规则

2.1 相同行列

相同行列:对应元素加减乘除

 

 

2.2 广播原则 

 当运算中的 2 个数组的形状不同时,numpy 将自动触发广播机制

2.2.1 数组+标量

 

 

 2.2.2 数组+行/列

 

3 内积外积与矩阵乘法 

 3.1 外积

 

 3.2 内积

内积——inner/dot

 np.dot(a,b)等价于a.dot(b)

3.3 乘法

matmul/@/dot

 4 函数

all

矩阵中元素是否全部非零

any

矩阵中是否有元素非零

argmax/argmin

第几维度的最大最小值的坐标

Argmax[0]:对每一个a[…][0][0],a[…][0][1],a[…][0][2]

a[…][1][0],a[…][1][1],a[…][1][2]找一个最大值

argsort

argsort函数返回的是数组值从小到大的索引值

b

1

3

5

2

6

7

4

3

序号

0

1

2

3

4

5

6

7

 

b——正序

-b——倒序

如果是多维的话(默认是最大的一个axis)

Axis=0

a[..][0][0],a[…][0][1],a[…][0][2]

a[..][1][0],a[…][1][1],a[…][1][2]

Axis=1

a[0][…][0],a[0][…][1],a[0][…][2]

Axis=2同理

np.c_

按行连接两个矩阵,就是把两矩阵左右相加,要求行数相等

注意和hstack的区别,hstack里面是把一行的向量作为一行来看的,r_里面是当作一列来看待的

concatenate

和vstack,hstack差不多,不过用axis来指定是行还是列

axis=1 行——a[0][......]

axis=0 列——a[......][0]

copy

这个是真copy,不是view

clip

截取数组中在min和max之间的部分,比min小的置为min,比max大的置为max

cumsum/cumprod

括号是几——第几维度累加/累乘(a[][][][]里面的第几个,从左往右)

括号里是0:原第一行=原第一行

  原第二行=原第二行+原第一行

  原第三行=原第三行+原第二行+原第一行

括号里是1:列的操作

没有字母,所有元素,一个一个叠加

diff

类差运算

flatten

返回一份数据拷贝,对拷贝所做的修改不影响原始数组

F风格:按列展开

flat 一个迭代器

np.isin(a,b)

 用于判定a中的元素在b中是否出现过,如果出现过返回True,否则返回False,最终结果为一个形状和a一模一样的数组。

和np.where搭配使用,效果更好(np.where返回True的坐标)

分别是我找到的1的第一维坐标和第二位坐标

nditer

按照ndarray在内存中的存储顺序逐个访问

a和a转置在内存中的存储顺序一样——他们的遍历顺序一样

默认order=’C‘行优先

——order=“F’(fortran 列优先) 

meshgrid(ndarray,ndarray)

返回坐标方格的X与Y

x和y都是二维数组,分别是这些点的横坐标/纵坐标

mean/average

计算平均数,加axis就是某一个轴,

比如axis=0,就是每一列一个平均数(a[;;;][0],a[,,,,][1],…..,)

average只能是np.average

newaxis

添加一个维度

感觉还是reshape靠谱一点

np.r_

按列连接两个矩阵,就是把两矩阵上下相加,要求列数相等

注意和vstack的区别,vstack里面是把一行的向量作为一行来看的,r_里面是当作n行来看待的

ravel

和flatten差不多,唯一的区别是,修改会影响原始数组

reshape

resize

如果一样大的话和a.reshape()差不多

shape比a的尺寸小的话,那就是截取

如果尺寸大的话,会把a的元素按照a的顺序补进去

np.round

round( number ) 函数会返回浮点数 number 的四舍五入值

具体定义为 round(number[,digits]):

如果 digits>0 ,四舍五入到指定的小数位;

如果 digits=0 ,四舍五入到最接近的整数;

如果 digits<0 ,则在小数点左侧进行四舍五入;

如果 round() 函数只有 number 这个参数,则等同于 digits=0。

split

等量对分

(axis=0 a[1~n][0]会被等分到各个里面去)

一定是等量,不等量的话会报错

vsplit=split(axis=0)

hsplit=split(axis=1)

array_split

不等量分割

np.sin

逐元素取sin

std

计算标准差

Axis=0——计算a[…][0][0],a[…][0][1],…的标准差

squeeze

删除单维度条目

tolist

转换为list

triu(data,k)

以data为数据,创建一个上三角矩阵,k表示这个上三角的边接往上/下移动几条线的距离

 

tile

np.tile(a,(2))函数的作用就是将函数将函数沿着X轴扩大两倍。如果扩大倍数只有一个,默认为X轴

np.tile(a,(2,1))第一个参数为Y轴扩大倍数,第二个为X轴扩大倍数。本例中X轴扩大一倍便为不复制。

np.timedelta(num,'x')

计算两个datetime中间差多少时间间隔(向下取整)【YMWDhmsmsusns

转置

where

numpy.where() 有两种用法:

1. np.where(condition, x, y)

满足条件(condition),输出x,不满足输出y。

2. np.where(condition)

只有条件 (condition),没有x和y,则输出满足条件 (即非0) 元素的坐标。

这里的坐标以tuple的形式给出,通常原数组有多少维,输出的tuple中就包含几个数组,分别对应符合条件元素的各维坐标。

5 文件处理

tofile() & fromfile()

tofile()将数组中的数据以二进制格式写进文件

tofile()输出的数据不保存数组形状和元素类型等信息

fromfile()函数读回数据时需要用户指定元素类型,并对数组的形状进行适当的修改

读入数据的时候,需要设置正确的dtype参数,并且修改属组的shape属性,才会得到和原始数据一致的结果

sep参数:tofile 和 fromfile中数值的分隔符

save() & load()

NumPy专用的二进制格式保存数据,它们会自动处理元素类型和形状等信息

 

savez()

将多个数组保存到一个文件中

savez()的第一个参数是文件名,其后的参数都是需要保存的数组

 没有起名的话就是'arr_0","arr_1",....起来名字的就是所起的名字

ndarray写入csv

先转化成DataFrame

 

savetxt() & loadtxt()

  • 读写1维和2维数组的文本文件
  • 可以用它们读写CSV格式的文本文件

 

6 linalg

matrix_power

矩阵的n次方

 

cholesky

对称正定矩阵A——存在一个对角元为正数的下三角矩阵L,A=LL^T

x=linalg.cholesky(A),出来的结果是A的L

qr

QR分解

任何一个满秩矩阵,都可以用qr分解

一个正交矩阵和一个上三角矩阵

 

svd

SVD分解(一般用于降维

U,V——m,n阶方阵

Σ——除了对角线元素,都是0,对角线元素——奇异值

numpy出来的奇异值是从大到小排列的,所以直接切片就可以了

eig

求特征值和特征向量

每一列就是一个特征向量

 

det

 

求行列式

matrix_rank

计算矩阵的秩

 

solve

Solve(a,b)_解ax=b的x

 

inv,pinv

计算矩阵的逆/伪逆

 

 python 笔记:爱因斯坦求和 einsum_UQI-LIUWJ的博客-CSDN博客

以上是关于python包介绍:numpy的主要内容,如果未能解决你的问题,请参考以下文章

Python中的Numpy包

Python本地安装numpy包

Python机器学习(三十四)Numpy 介绍

Python科学计算包应用-教你以可视化的方式打开NumPy

Python数据分析-Numpy数值计算

Python可视化应用实战案例30篇-基础绘图命令详解含大量示例代码(附Python代码)