python练手，numpy

Posted 2020-10-21

import numpy

'''
    -使用场景：创建向量和矩阵（numpy.ndarray）
    -注意：numpy的ndarray要求所有元素的类型必须一致
    -    假如你输入的list元素类型不一致，转换为ndarry的时候，会自动转型。
    -    例如，某个元素是str，其他元素是int，那么，所有元素都会被转型为str
'''
from sklearn.utils.fixes import astype

vector = numpy.array(['001','zhangsan','man',24])

print(type(vector))
print(vector.dtype)
print(vector)
print(vector.shape)

# <class 'numpy.ndarray'>
# <U8
# ['001' 'zhangsan' 'man' '24']
# (4,)

matrix = numpy.array([[1.0,777,999.]])

print(type(matrix))
print(matrix.dtype)
print(matrix)
print(matrix.shape)

# <class 'numpy.ndarray'>
# float64
# [[   1.  777.  999.]]
# (1, 3)

matrix = numpy.array([['001','zhangsan','man','24'],['002','lisi','man','24']])

print(type(matrix))
print(matrix.dtype)
print(matrix)
print(matrix.shape)

# <class 'numpy.ndarray'>
# <U8
# [['001' 'zhangsan' 'man' '24']
#  ['002' 'lisi' 'man' '24']]
# (2, 4)


'''
    矩阵操作：
'''

matrix = numpy.array([['00','01','02','03'],
                      ['10','11','12','13'],
                      ['20','21','22','23'],
                      ['30','31','32','33']])

print(matrix.shape,matrix.ndim,matrix.size) # 行列数shape，纬度数ndim，元素个数size
# (4, 4) 2 16

print(matrix[:,1])  #只取第2列
# ['01' '11' '21' '31']

print(matrix[1,:])  #只取第2行
# ['10' '11' '12' '13']

print(matrix[1,1])  #只取第2行第2列
# 11

print(matrix[1:3,:])  #只取第2、3行 （注意 1:3 不含右边边界 第4行）
# [['10' '11' '12' '13']
#  ['20' '21' '22' '23']]

print(matrix[:,1:3])  #只取第2、3列
# [['01' '02']
#  ['11' '12']
#  ['21' '22']
#  ['31' '32']]

print(matrix[1:,1:]) #只取第2行之后的行，第2列之后的列
# [['11' '12' '13']
#  ['21' '22' '23']
#  ['31' '32' '33']]

print(matrix.dtype) #ndarray的类型
# <U2

print(matrix.astype(float)) #ndarray的类型 转换
# [[  0.   1.   2.   3.]
#  [ 10.  11.  12.  13.]
#  [ 20.  21.  22.  23.]
#  [ 30.  31.  32.  33.]]

print(matrix.astype(float).dtype) #ndarray的类型 转换之后
# float64

'''
    矩阵初始化：
'''

print(numpy.zeros((2,3))) #快速编造全0矩阵 （常用于矩阵初始化）
# [[ 0.  0.  0.]
#  [ 0.  0.  0.]]

print(numpy.ones((2,3),dtype=numpy.int32)) #快速编造全1矩阵 （常用于矩阵初始化）
# [[1 1 1]
#  [1 1 1]]

print(numpy.eye(3)) #单位方阵
# [[ 1.  0.  0.]
#  [ 0.  1.  0.]
#  [ 0.  0.  1.]]

print(numpy.eye(2,3)) #单位矩阵
# [[ 1.  0.  0.]
#  [ 0.  1.  0.]]
print(numpy.arange(12))  #快速编造数列
# [0 1 2 3 4 5 6 7 8 9 10 11]

print(numpy.arange(12).reshape(3,4)) #重新排列矩阵
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

print(numpy.arange(1,22,3)) #快速编造数列 起始值1 依次加3 直至小于22
# [ 1  4  7 10 13 16 19]

print(numpy.random.random((2)))  #随机向量 0至1之间
# [ 0.77478872  0.36609742]

print(numpy.random.random((2,3)))  #随机矩阵 0至1之间
# [[ 0.72243154  0.33383428  0.11111886]
#  [ 0.85122432  0.68508064  0.51619949]]


print(numpy.linspace(0, 2, 10)) #在0至2之间，取10个数，平均的
# [ 0.          0.22222222  0.44444444  0.66666667  0.88888889  1.11111111  1.33333333  1.55555556  1.77777778  2.        ]

'''
    矩阵运算：
'''

matrixA = numpy.array([[1,2,3],
                       [4,5,6],
                       [7,8,9]])
matrixB = numpy.array([[-1,-2,-3],
                       [-4,-5,-6],
                       [-7,-8,-9]])

print(matrixA + matrixB) #矩阵相加
# [[0 0 0]
#  [0 0 0]
#  [0 0 0]]

print(matrixA * 2) #矩阵数乘
# [[ 2  4  6]
#  [ 8 10 12]
#  [14 16 18]]

print(matrixA * matrixB) #矩阵对应元素相乘（姑且叫做点乘），新矩阵的元素，是原来两个矩阵的对应元素相乘
# [[ -1  -4  -9]
#  [-16 -25 -36]
#  [-49 -64 -81]]

print(matrixA.dot(matrixB)) #矩阵相乘 行列相乘 或者 numpy.dot(matrixA,matrixB)
# [[ -30  -36  -42]
#  [ -66  -81  -96]
#  [-102 -126 -150]]

print(matrixA.T) #转置
# [[1 4 7]
#  [2 5 8]
#  [3 6 9]]

print(numpy.vstack((matrixA,matrixB))) #行拼接
# [[ 1  2  3]
#  [ 4  5  6]
#  [ 7  8  9]
#  [-1 -2 -3]
#  [-4 -5 -6]
#  [-7 -8 -9]]

print(numpy.hstack((matrixA,matrixB))) #列拼接
# [[ 1  2  3 -1 -2 -3]
#  [ 4  5  6 -4 -5 -6]
#  [ 7  8  9 -7 -8 -9]]



print(numpy.vsplit(matrixA,3)) #行切分
# [array([[1, 2, 3]]), array([[4, 5, 6]]), array([[7, 8, 9]])]

print(numpy.vsplit(matrixA,(0,1))) #行切分 在第0列切一刀 在第1列切一刀，爱切几刀就几刀
# [array([], shape=(0, 3), dtype=int32), 
#  array([[1, 2, 3]]), 
#  array([[4, 5, 6],
#        [7, 8, 9]])]

print(numpy.hsplit(matrixA,3)) #列切分
# [array([[1],
#        [4],
#        [7]]), 
#  array([[2],
#        [5],
#        [8]]), 
#  array([[3],
#        [6],
#        [9]])]

matrixC = matrixA.view() #浅层复制，视图，其实matrixA和matrixC都是共享同一份数据，不推荐使用view

matrixC = matrixA.copy() #深层复制，整整的数据拷贝，matrixA和matrixC是两份数据，互不干扰
print(matrixC)
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]
matrixC = numpy.tile(matrixA,(2,3)) #复制，深层的，把矩阵按行按列各复制几次
print(matrixC)
# [[1 2 3 1 2 3 1 2 3]
#  [4 5 6 4 5 6 4 5 6]
#  [7 8 9 7 8 9 7 8 9]
#  [1 2 3 1 2 3 1 2 3]
#  [4 5 6 4 5 6 4 5 6]
#  [7 8 9 7 8 9 7 8 9]]

matrixD = numpy.array([[1,-2,-3],
                       [4,-5,-6],
                       [7,-8,-9]])
print(matrixD.argmax(axis=1)) #按行查找，最大元素在该行中的索引
# [0 0 0]
print(matrixD.argmax(axis=0)) #按列查找，最大元素在该行中的索引
# [2 0 0]

matrixE = numpy.array([[1,-2,-3],
                       [9,3,4],
                       [7,-8,-9]])
print(numpy.sort(matrixE, axis=1)) #排序，按行，升序
# [[-3 -2  1]
#  [ 3  4  9]
#  [-9 -8  7]]
print(numpy.argsort(matrixE, axis=1)) #排序，按行，升序，返回坐标矩阵
# [[2 1 0]
#  [1 2 0]
#  [2 1 0]]
print(numpy.sort(matrixE, axis=0)) #排序，按列，升序
# [[ 1 -8 -9]
#  [ 7 -2 -3]
#  [ 9  3  4]]
print(numpy.argsort(matrixE, axis=0)) #排序，按列，升序，返回坐标矩阵
# [[0 2 2]
#  [2 0 0]
#  [1 1 1]]