1、导入Numpy
import numpy as np
2、向量相加
def numpysum(n):
a = np.arange(n)**2
b = np.arange(n)**3
c = a + b
return c
print(numpysum(20))
输出：
[ 0 2 12 36 80 150 252 392 576 810 1100 1452 1872 2366
2940 3600 4352 5202 6156 7220]
3、Numpy数组
a = np.arange(5)
print(a.dtype)#查看类型
print(a.shape)#查看维度
#创建多维数组
m = np.array([np.arange(2),np.arange(2)])
print(m)
print(m.shape)#查看维度
print(m.dtype)#查看类型
#创建0数组或者空数组
print(np.zeros(10))#创建全是0的数组
print(np.zeros((3,6)))#创建全是0的多维数组
print(np.empty((2,3,2)))#创建随机值的数组
print(np.arange(15))#创建普通数组
#选取数组元素
a = np.array([[1,2],[3,4]])#生成二维数组
print(a)
print(a[0,0])#选取0行0列的元素
print(a[0,1])#选取0行0列的元素
print(a[1,0])#选取1行0列的元素
print(a[1,1])#选取1行1列的元素
输出：
int64
(5,)
[[0 1]
[0 1]]
(2, 2)
int64
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]]
[[[0. 0.]
[0. 0.]
[0. 0.]]
[[0. 0.]
[0. 0.]
[0. 0.]]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
[[1 2]
[3 4]]
1
2
3
4
4、Numpy数据类型
print(np.float64(42))#64位浮点数
print(np.int8(42.0))#8位整数
print(np.bool(42))#布尔型
print(np.float(True))
print(np.float(False))
输出：
42.0
42
True
1.0
0.0
5、数据类型转换
arr = np.array([1,2,3,4,5])#生成一维数组
print(arr.dtype)#查看类型
float_arr = arr.astype(np.float64)#转换为64位浮点数类型
print(float_arr.dtype)#重新查看数据类型
arr = np.array([3.7,-1.2,-2.6,0.5,12.9,10.11])
print(arr)
print(arr.astype(np.int32))#将浮点数转换为32位整数类型
输出：
int64
float64
[ 3.7 -1.2 -2.6 0.5 12.9 10.11]
[ 3 -1 -2 0 12 10]
6、创建自定义数据类型
t = np.dtype([('name',np.str_,40),('numitems',np.int32),('price',np.float32)])
print(t)
itemz = np.array([('Meaning of life',42,3.14),('Butter',13,2.72)],dtype=t)
print(itemz)
输出：
[('name', '<U40'), ('numitems', '<i4'), ('price', '<f4')]
[('Meaning of life', 42, 3.14) ('Butter', 13, 2.72)]
7、数组与标量运算
arr = np.array([[1,2,3],[4,5,6]])
print(arr)#输出数组
print(arr*arr)#数组平方
print(arr-arr)#数组相减
print(1/arr)#数组倒数
print(arr**0.5)#数组开根号
输出：
[[1 2 3]
[4 5 6]]
[[ 1 4 9]
[16 25 36]]
[[0 0 0]
[0 0 0]]
[[1. 0.5 0.33333333]
[0.25 0.2 0.16666667]]
[[1. 1.41421356 1.73205081]
[2. 2.23606798 2.44948974]]
8、一维数组的索引和切片
a=np.arange(9);
print(a[:7:2])#选取（0，6），隔两个选取
print(a[3:7])#选取（3，6）
print(a[::-1])#从末尾到头逐一选取
s = slice(3,7,2)#另一种切片方式
print(a[s])
s=slice(None, None, -1)#从末尾到头逐一选取
print(a[s])
输出：
[0 2 4 6]
[3 4 5 6]
[8 7 6 5 4 3 2 1 0]
[3 5]
[8 7 6 5 4 3 2 1 0]
9、多维数组的索引和切片
b= np.arange(24).reshape(2,3,4)#创建一个三维数组
print(b.shape)#查看维度
print(b)
print(b[0,0,0])#获得0层0行0列的数据
print(b[:,0,0])#获得每一层0行0列的数据
print(b[0])#获得0层的数据
print(b[0,:,:])#获得0层的数据
print(b[0,...])#获得0层的数据
print(b[0,1])#获得0层1行的数据
print(b[0,1,::2])#获得0层1行每一列的数据，逐2选取
输出：
(2, 3, 4)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
0
[ 0 12]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[4 5 6 7]
[4 6]
10、布尔型索引
names=np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])#布尔型数组
data=np.random.randn(7,4)#生成二维的正态分布数据
print(names)
print(data)
print(names == 'Bob')#查看names数组中的每一个元素是否为Bob，返回一个布尔型数组
print(data[names == 'Bob'])#显示数组中为True的行
print(data[names == 'Bob',2:])
print(names != 'Bob')#查看names数组中的每一个元素是否为Bob，返回一个布尔型数组
mask = (names == 'Bob') | (names == 'Will')#查看names数组中的每一个元素是否为Bob或Will，返回一个布尔型数组
print(mask)
print(data[mask])
data[data < 0] = 0#将数组中小于0的数修改为0
print(data)
data[names != 'Joe'] = 7#将数组中对应Joe的数据修改为7
print(data)
输出：
['Bob' 'Joe' 'Will' 'Bob' 'Will' 'Joe' 'Joe']
[[-0.89498016 0.03578746 0.71418906 0.57328738]
[ 0.0876254 -0.85631281 1.61239416 -0.06831931]
[ 1.1253243 0.99034735 -2.87970075 -1.26387147]
[-0.54600228 -0.35791835 -0.12434706 0.66510069]
[ 1.389508 -0.21656564 -0.42991166 -0.12690249]
[ 0.09737544 0.37900011 -0.34413172 0.74143428]
[-1.2138582 0.23140315 0.51983695 0.91618095]]
[ True False False True False False False]
[[-0.89498016 0.03578746 0.71418906 0.57328738]
[-0.54600228 -0.35791835 -0.12434706 0.66510069]]
[[ 0.71418906 0.57328738]
[-0.12434706 0.66510069]]
[False True True False True True True]
[ True False True True True False False]
[[-0.89498016 0.03578746 0.71418906 0.57328738]
[ 1.1253243 0.99034735 -2.87970075 -1.26387147]
[-0.54600228 -0.35791835 -0.12434706 0.66510069]
[ 1.389508 -0.21656564 -0.42991166 -0.12690249]]
[[0. 0.03578746 0.71418906 0.57328738]
[0.0876254 0. 1.61239416 0. ]
[1.1253243 0.99034735 0. 0. ]
[0. 0. 0. 0.66510069]
[1.389508 0. 0. 0. ]
[0.09737544 0.37900011 0. 0.74143428]
[0. 0.23140315 0.51983695 0.91618095]]
[[7. 7. 7. 7. ]
[0.0876254 0. 1.61239416 0. ]
[7. 7. 7. 7. ]
[7. 7. 7. 7. ]
[7. 7. 7. 7. ]
[0.09737544 0.37900011 0. 0.74143428]
[0. 0.23140315 0.51983695 0.91618095]]
11、数组转置
arr = np.arange(15).reshape((3,5))
print(arr)
print(arr.T)#数组转置
输出：
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
[[ 0 5 10]
[ 1 6 11]
[ 2 7 12]
[ 3 8 13]
[ 4 9 14]]
12、改变数组的维度
arr = np.arange(20).reshape((4,5))#将数组变为4*5的数组
print(arr)
print(arr.flatten())#将数组变回一维数组
print(arr.ravel())#将数组变回一位数组
arr.shape = (2,5,2)#将数组变为2*5*2的数组
print(arr)
输出：
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
[[[ 0 1]
[ 2 3]
[ 4 5]
[ 6 7]
[ 8 9]]
[[10 11]
[12 13]
[14 15]
[16 17]
[18 19]]]
13、组合数组
a = np.arange(9).reshape(3,3)
b = 2*a
#水平组合
print(np.hstack((a,b)))
print(np.concatenate((a,b),axis=1))
#垂直组合
print(np.vstack((a,b)))
print(np.concatenate((a,b),axis=0))
#深度组合
print(np.dstack((a,b)))
输出：
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]
[[[ 0 0]
[ 1 2]
[ 2 4]]
[[ 3 6]
[ 4 8]
[ 5 10]]
[[ 6 12]
[ 7 14]
[ 8 16]]]
14、数组的分割
a = np.arange(9).reshape(3,3)
print(np.hsplit(a,3))#水平分割
print(np.split(a,3,axis=1))#axis=1代表水平分割
print(np.vsplit(a,3))#垂直分割
print(np.split(a,3,axis=0))#axis=0代表垂直分割
输出：
[array([[0],
[3],
[6]]), array([[1],
[4],
[7]]), array([[2],
[5],
[8]])]
[array([[0],
[3],
[6]]), array([[1],
[4],
[7]]), array([[2],
[5],
[8]])]
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
15、数组的转换
b=np.arange(24).reshape(2,12)#创建一个2*12的数组
print(b.ndim)#二维数组的维数
print(b.size)#数组中元素的总个数
b = np.array([1+1j,3+2j])#创建一个复数数组
print(b.real)#实部
print(b.imag)#虚部
b = np.array([1+1j,2+3j])
print(b.tolist())#转换为python的列表
print(b.astype(int))#转换为整数类型
print(b.astype(complex))#转换为复数类型
输出：
2
24
[1. 3.]
[1. 2.]
[(1+1j), (2+3j)]
导入Numpy.py:190: ComplexWarning: Casting complex values to real discards the imaginary part
print(b.astype(int))#转换为整数类型
[1 2]
[1.+1.j 2.+3.j]
17、利用数组进行数据处理
points = np.arange(-5,5,0.01)
xs, ys = np.meshgrid(points,points) #分别进行赋值
print(xs)
print(ys)
import matplotlib.pyplot as plt#导入一个画图库
z=np.sqrt(xs**2+ys**2)
print(z)
plt.imshow(z,cmap=plt.cm.gray);plt.colorbar()
plt.title("Image plot of gray")
plt.draw()
输出：
[[-5. -4.99 -4.98 ... 4.97 4.98 4.99]
[-5. -4.99 -4.98 ... 4.97 4.98 4.99]
[-5. -4.99 -4.98 ... 4.97 4.98 4.99]
...
[-5. -4.99 -4.98 ... 4.97 4.98 4.99]
[-5. -4.99 -4.98 ... 4.97 4.98 4.99]
[-5. -4.99 -4.98 ... 4.97 4.98 4.99]]
[[-5. -5. -5. ... -5. -5. -5. ]
[-4.99 -4.99 -4.99 ... -4.99 -4.99 -4.99]
[-4.98 -4.98 -4.98 ... -4.98 -4.98 -4.98]
...
[ 4.97 4.97 4.97 ... 4.97 4.97 4.97]
[ 4.98 4.98 4.98 ... 4.98 4.98 4.98]
[ 4.99 4.99 4.99 ... 4.99 4.99 4.99]]
[[7.07106781 7.06400028 7.05693985 ... 7.04988652 7.05693985 7.06400028]
[7.06400028 7.05692568 7.04985815 ... 7.04279774 7.04985815 7.05692568]
[7.05693985 7.04985815 7.04278354 ... 7.03571603 7.04278354 7.04985815]
...
[7.04988652 7.04279774 7.03571603 ... 7.0286414 7.03571603 7.04279774]
[7.05693985 7.04985815 7.04278354 ... 7.03571603 7.04278354 7.04985815]
[7.06400028 7.05692568 7.04985815 ... 7.04279774 7.04985815 7.05692568]]
18、将条件逻辑表达为数组运算
xarr=np.array([1.1,1.2,1.3,1.4,1.5])
yarr=np.array([2.1,2.2,2.3,2.4,2.5])
cond=np.array([True,False,True,True,False])
result=np.where(cond,xarr,yarr) #如果是True就选择xarr，如果是False就选择yarr
print(result)
arr=randn(4,4)
result=np.where(arr>0,2,-2) #如果大于0就选择2，如果小于0就是-2
print(result)
result=np.where(arr>0,2,arr)
print(result)#如果为False就保持不变
输出：
[1.1 2.2 1.3 1.4 2.5]
[[-2 -2 2 -2]
[ 2 -2 2 2]
[-2 2 -2 -2]
[-2 -2 2 2]]
[[-0.47404412 -0.11554679 2. -0.42080318]
[ 2. -1.1289591 2. 2. ]
[-0.68071913 2. -0.85447793 -1.88544569]
[-0.76910235 -0.38743575 2. 2. ]]
19、数学与统计方法
arr=randn(5,4)
print(arr.mean())#求均值
print(arr.sum()) #求和
arr=np.array([[0,1,2],[3,4,5],[6,7,8]])
print(arr)
print(arr.cumsum(1))#计算累计和 0的话行累加，1的话列累加
print(arr.cumprod(1))#计算累计积
输出：
-0.053154566978182424
-1.0630913395636485
[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 0 1 3]
[ 3 7 12]
[ 6 13 21]]
[[ 0 0 0]
[ 3 12 60]
[ 6 42 336]]
20、用于布尔型数组的方法
arr=randn(100)
print((arr > 0).sum()) #正值的数量
bools = np.array([False,False,True,False])
print(bools.any()) #是否存在一个为真
print(bools.all()) #是否都是真的
输出：
49
True
False
21、数组排序
arr=randn(8)
arr.sort()#数组进行排序
print(arr)
arr=randn(5,3)
arr.sort(1)#按照行进行排序
print(arr)
输出：
[-1.05821903 -0.65934725 -0.37487126 -0.2697983 0.18288892 0.26701018
0.61696946 1.21626008]
[[-0.97246304 -0.50366913 -0.41047398]
[-0.08976144 0.18760282 0.27115414]
[ 0.02481582 0.3926402 1.0356398 ]
[-1.18880822 -0.53055481 -0.19173486]
[ 0.67551174 0.93808397 0.99299003]]
22、唯一化以及其他的逻辑集合
names=np.array(['Bob','Joe','Will','Bob','Joe'])
print(np.unique(names)) #返回唯一一个元素
ints = np.array([3,3,2,1,4,5,1,3,2])
print(np.unique(ints))
values=np.array([6,0,0,3,2,5,6])
print(np.in1d(values,[2,3,6])) #一个数组中的元素是否在另一个数组里面
输出：
['Bob' 'Joe' 'Will']
[1 2 3 4 5]
[ True False False True True False True]
23、线性代数的运用
x=np.array([[1,2,3],[4,5,6]])
y=np.array([[6,23],[-1,7],[8,9]])
print(x.dot(y)) #矩阵相乘
输出：
[[ 28 64]
[ 67 181]]
24、随机数的生成
samples = np.random.normal(size=(4,4)) #4*4的随机数服从正态分布
print(samples)
输出：
[[ 2.3594308 -0.16679891 0.61071828 -1.43154398]
[ 0.65029184 0.5375564 0.3557022 -1.282127 ]
[-0.17028982 -1.68308221 -0.32151961 0.32609419]
[ 1.11233366 -1.0175448 -1.10387852 0.64077613]]
本文链接：http://nix.pub/article/numpy/
