python基础1
Posted
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基础1相关的知识，希望对你有一定的参考价值。
- Numpy提供了ndarray
- arange/linspace/logspace
- 整数/布尔数组存取
- 二维数组的切片
- 元素去重
- stack and axis
- 链接两个narange
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Created by xuehz on 2017/3/28
import numpy as np
if __name__ == '__main__':
"""
# numpy是非常好用的数据包，如：可以这样得到这个二维数组
# [[ 0 1 2 3 4 5]
# [10 11 12 13 14 15]
# [20 21 22 23 24 25]
# [30 31 32 33 34 35]
# [40 41 42 43 44 45]
# [50 51 52 53 54 55]]
# a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)
# print a
"""
a = np.arange(0, 60, 10).reshape((-1, 1))
a = np.arange(0, 60, 10).reshape((-1, 1))+ np.arange(6)
#print a
"""
标准Python的列表(list)中，元素本质是对象。
如：L = [1, 2, 3]，需要3个指针和三个整数对象，对于数值运算比较浪费内存和CPU。
因此，Numpy提供了ndarray(N-dimensional array object)对象：存储单一数据类型的多维数组。
# 1.使用array创建
#通过array函数传递list对象
"""
L = [1, 2, 3, 4, 5, 6]
print "L = ", L
a = np.array(L)
print "a = ", a
print type(a), type(L)
# 若传递的是多层嵌套的list，将创建多维数组
b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print b
# # # 数组大小可以通过其shape属性获得
print a.shape
print b.shape
# # 也可以强制修改shape
b.shape = 4, 3
print b
# # 注：从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变
# # # 当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度
b.shape = 2, -1
print b
print b.shape
b.shape = 3, 4
print b
# # # 使用reshape方法，可以创建改变了尺寸的新数组，原数组的shape保持不变
c = b.reshape((4, -1))
print "b = \n", b
print 'c = \n', c
# # # 数组b和c共享内存，修改任意一个将影响另外一个
b[0][1] = 20
print "b = \n", b
print "c = \n", c
# # # # 数组的元素类型可以通过dtype属性获得
print a.dtype
print b.dtype
# # # # 可以通过dtype参数在创建时指定元素类型
d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float)
f = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex)
print d
print f
# # 如果更改元素类型，可以使用astype安全的转换
f = d.astype(np.int)
print f
# # 但不要强制仅修改元素类型，如下面这句，将会以int来解释单精度float类型
d.dtype = np.int
print d
"""
2.使用函数创建
# 如果生成一定规则的数据，可以使用NumPy提供的专门函数
# arange函数类似于python的range函数：指定起始值、终止值和步长来创建数组
# 和Python的range类似，arange同样不包括终值；但arange可以生成浮点类型，而range只能是整数类型
"""
a = np.arange(1, 10, 0.5)
print a
# # # linspace函数通过指定起始值、终止值和元素个数来创建数组，缺省包括终止值
b = np.linspace(1, 10, 10)
print 'b = ', b
# 可以通过endpoint关键字指定是否包括终值
c = np.linspace(1, 10, 10, endpoint=False)
print 'c = ', c
# # 和linspace类似，logspace可以创建等比数列
# 下面函数创建起始值为10^1，终止值为10^2，有10个数的等比数列
d = np.logspace(1, 2, 9, endpoint=True)
print d
# # # 下面创建起始值为2^0，终止值为2^10(包括)，有10个数的等比数列
f = np.logspace(0, 10, 11, endpoint=True, base=2)
print f
# # # 使用 frombuffer, fromstring, fromfile等函数可以从字节序列创建数组
s = 'abcdz'
g = np.fromstring(s, dtype=np.int8)
print g
"""
3.存取
# 3.1常规办法：数组元素的存取方法和Python的标准方法相同
"""
a = np.arange(10)
print a
# # 获取某个元素
print a[3]
# # # # 切片[3,6)，左闭右开
print a[3:6]
# 省略开始下标，表示从0开始
print a[:5]
# 下标为负表示从后向前数
print a[3:]
# 步长为2
print a[1:9:2]
# # # 步长为-1，即翻转
print a[::-1]
"""
# # # # # 切片数据是原数组的一个视图，与原数组共享内容空间，可以直接修改元素值
"""
a[1:4] = 10, 20, 30
print a
# # 因此，在实践中，切实注意原始数据是否被破坏，如：
b = a[2:5]
b[0] = 200
print a
"""
# 3.2 整数/布尔数组存取
# 3.2.1
# 根据整数数组存取：当使用整数序列对数组元素进行存取时，
# 将使用整数序列中的每个元素作为下标，整数序列可以是列表(list)或者数组(ndarray)。
# 使用整数序列作为下标获得的数组不和原始数组共享数据空间。
"""
a = np.logspace(0, 9, 10, base=2)
print a
i = np.arange(0, 10, 2)
print i
# 利用i取a中的元素
b = a[i]
print b
# b的元素更改，a中元素不受影响
b[2] = 1.6
print b
print a
# 3.2.2
"""
使用布尔数组i作为下标存取数组a中的元素：返回数组a中所有在数组b中对应下标为True的元素
生成10个满足[0,1)中均匀分布的随机数
"""
a = np.random.rand(10)
print a
# 大于0.5的元素索引
print a > 0.5
# 大于0.5的元素
b = a[a > 0.5]
print b
# 将原数组中大于0.5的元素截取成0.5
a[a > 0.5] = 0.5
print a
# # # b不受影响
print b
"""
# 3.3 二维数组的切片
# [[ 0 1 2 3 4 5]
# [10 11 12 13 14 15]
# [20 21 22 23 24 25]
# [30 31 32 33 34 35]
# [40 41 42 43 44 45]
# [50 51 52 53 54 55]]
"""
print '+++++++++++++++++++++++++++++'
a = np.arange(0, 60, 10) # 行向量
print 'a = ', a
b = a.reshape((-1, 1)) # 转换成列向量
print b
c = np.arange(6)
print c
f = b + c # 行 + 列
print f
# 合并上述代码：
a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)
print a
# 二维数组的切片
print a[[0, 1, 2], [2, 3, 4]]
print a[4, [2, 3, 4]]
print a[4:, [2, 3, 4]]
i = np.array([True, False, True, False, False, True])
print a[i]
print a[i, 3]
"""
元素去重=========================
"""
#4.2.1直接使用库函数
a = np.array((1, 2, 3, 4, 5, 5, 7, 3, 2, 2, 8, 8))
print '原始数组：', a
# # 使用库函数unique
b = np.unique(a)
print '去重后：', b
# # 4.2.2 二维数组的去重，结果会是预期的么？
c = np.array(((1, 2), (3, 4), (5, 6), (1, 3), (3, 4), (7, 6)))
print u'二维数组：\n', c
print '去重后：', np.unique(c)
#去重后： [1 2 3 4 5 6 7] 不是预期的结果
# # 4.2.3 方案1：转换为虚数
r, i = np.split(c, (1, ), axis=1)
x = r + i * 1j
print x
x = c[:, 0] + c[:, 1] * 1j
print '转换成虚数：', x
print '虚数去重后：', np.unique(x)
print np.unique(x, return_index=True) # 思考return_index的意义
idx = np.unique(x, return_index=True)[1]
print '二维数组去重：\n', c[idx]
# 4.2.3 方案2：利用set
print '去重方案2：\n', np.array(list(set([tuple(t) for t in c])))
"""
4.3 stack and axis
"""
a = np.arange(1, 10).reshape((3, 3))
b = np.arange(11, 20).reshape((3, 3))
c = np.arange(101, 110).reshape((3, 3))
print 'a = \n', a
print 'b = \n', b
print 'c = \n', c
print 'axis = 0 \n', np.stack((a, b, c), axis=0)
print 'axis = 1 \n', np.stack((a, b, c), axis=1)
print 'axis = 2 \n', np.stack((a, b, c), axis=2)
print '====================='
a = np.arange(1, 10).reshape(3,3)
print a
b = a + 10
print b
print np.dot(a, b)
print a * b
print '====================='
a = np.arange(1, 10)
print a
b = np.arange(20,25)
print b
print np.concatenate((a, b)) ###链接两个narange
aa = list(a)
print aa+list(b) #列表
#4.3 stack and axis 运行结果
"""
a =
[[1 2 3]
[4 5 6]
[7 8 9]]
b =
[[11 12 13]
[14 15 16]
[17 18 19]]
c =
[[101 102 103]
[104 105 106]
[107 108 109]]
"""
"""
axis = 0
[[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]]
[[ 11 12 13]
[ 14 15 16]
[ 17 18 19]]
[[101 102 103]
[104 105 106]
[107 108 109]]]
axis = 1
[[[ 1 2 3]
[ 11 12 13]
[101 102 103]]
[[ 4 5 6]
[ 14 15 16]
[104 105 106]]
[[ 7 8 9]
[ 17 18 19]
[107 108 109]]]
axis = 2
[[[ 1 11 101]
[ 2 12 102]
[ 3 13 103]]
[[ 4 14 104]
[ 5 15 105]
[ 6 16 106]]
[[ 7 17 107]
[ 8 18 108]
[ 9 19 109]]]
"""
以上是关于python基础1的主要内容，如果未能解决你的问题，请参考以下文章