记录了一些常用的numpy方法，参考自NumPy教程

基础

简单demo

NumPy中最重要的对象是ndarray，是一个N维数组。它存储着相同类型的元素集合。通过dtype来获取类型，索引来获取值。

通过numpy.array来创建ndarray。

1
2
3
4
5
6
7
8
9
10
11
12
# 1. numpy定义
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
# 2. demo
import numpy as np
a = np.array([[1, 2], [3, 4]])

# 3. 使用dtype
#int8, int16, int32, int64 可替换为等价的字符串 'i1', 'i2', 'i4', 以及其他。
dt = np.dtype(np.int32)

student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')])
a = np.array([('tom', 23, 89), ('sara', 22, 97)], dtype=student)

ndarray.shape 和reshape 获取数组维度 ，也可以调整大小

1
2
3
4
5
6
7
8
9
a = np.array([[1,2,3], [4,5,6]]) 
print a.shape
# (2, 3)
b = a.reshape(3,2)  
b.shape
print b
[[1, 2] 
 [3, 4] 
 [5, 6]]

ndarray.ndim 数组的维数

1
2
3
import numpy as np
a = np.arange(24).reshape(2, 12)	# 2
b = a.reshape(2, 3, 4)				# 3

创建数组

输入数组建立

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

zeros, ones, empty

1
2
3
4
5
6
# zeros创建0矩阵
np.zeros((3, 4))
# ones创建1矩阵
np.ones((2, 3, 4), dtype=np.int16)
# empty不初始化数组，值随机
np.empty((2, 3))

arange, linspace

创建随机数，整数和浮点数，步长

1
2
3
4
5
6
7
8
# 创建[0, n-1]的数组
np.arange(3)
# 创建1-10范围类，3个数
np.arange(1, 10, 3)

# 取均值步长
np.linspace(0, 1.5, 3)
# array([ 0.  ,  0.75,  1.5 ])

基本操作

基本数学操作

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
a = np.array([20, 30, 40, 50])
b = np.arrange(4)
# 减法
c = b - a 
# 乘法
b * 2  # 新建一个矩阵
b *= 2 # 直接改变b，不会新建一个矩阵 a += 2 同理
# 次方
b ** 2
# 判断
a < 30 
# array([ True, False, False, False], dtype=bool)
10 * np.sin(a)

# 矩阵乘法
A = np.array([[1, 1], [0, 1]])
B = np.array([[2, 0], [3, 4]])
A.dot(B)
B.dot(A)
np.dot(A, B)

# sum, max, min
a = np.arange(12).reshape(3, 4)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
# 所有元素sum, min, max
a.sum()
a.max()
# 使用axis=0按列, axis=1按行
a.sum(axis=0)
array([12, 15, 18, 21])
a.sum(axis=1)
array([ 6, 22, 38])

# 通用函数
B = np.arange(3)
np.exp(B) # 求e的次方
np.sqrt(B) # 开方
C = np.array([2, -1, 4])
np.add(B, C) # 相加

访问元素，index, slice, iterator

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
# 1. 一维数组
a = np.arange(4)**2 # array([0, 1, 4, 9])
# 下标访问
a[1] # 从0开始		 # 1
# 切片，同python切片
a[1:3]				# array([1, 4])
# 迭代
for i in a:
  	print (i*2)
    
# 2. 多维数组
a = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)	# 对下标进行操作
array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4]])
a[1, 2] # 访问到 3
# 访问第2列
a[0:3, 1]	# array([1, 2, 3])
a[:, 1]		# array([1, 2, 3]) 
# 第i+1行
a[1] 		# 第2行
a[-1]		# 最后一行
a[1, ...]	# 第2行，多维的时候这样写
# 第2、3行
a[1:3, :]
a[1:3]

for row in a:
    print row
for e in a.flat:
    print e

切片(start, end, step)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# 1. (start, end, step)
a = np.arange(10)
s = slice(2, 7, 2) 
b = a[s]
# 2. 1-7, step=3, 不包括7
b = a[1:7:3]
# 3. 从idx开始向后切，包括idx
b = a[2:]
# 4. start, end, 不包括end
b = a[2:5]
# 5. 
a = np.array([[1,2,3],[3,4,5],[4,5,6]])  
a[..., 1] #第2列 [2 4 5]
a[1, ...] #第2行 [3 4 5]
a[...,2:] #第2列及其剩余元素
[[2 3]
 [4 5]
 [5 6]]

索引

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
# 1. 一维时
a = np.arange(5)**2 # array([ 0,  1,  4,  9, 16])
# 索引1
i = np.array([1, 3, 4]) # idx 为1,3,4的元素
a[i]					# 访问元素 
array([ 1,  9, 16])
# 索引2
j = np.array([ [1, 2], [3, 4]])
a[j]
array([[ 1,  4],
       [ 9, 16]])

# 2. 二维时
x = np.array([[1,  2],  [3,  4],  [5,  6]]) 
[[1 2]
 [3 4]
 [5 6]]
# 索引
y = x[ [0, 1, 2], [0, 1, 0]] # [0, 1, 2]是行, [0, 1, 0]是对应行的列
[1 4 5]

# 3. 没看懂
x = np.array([[  0,  1,  2],[  3,  4,  5],[  6,  7,  8],[  9,  10,  11]]) 
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
# 索引 
rows = np.array([ [0,0], [3,3] ])
cols = np.array([ [0,2], [0,2] ])
i = [rows, cols]
y = x[i]
[[ 0  2]
 [ 9 11]]

# 4. 切片+索引
x = np.array([[  0,  1,  2],[  3,  4,  5],[  6,  7,  8],[  9,  10,  11]]) 
# 切片, 1-3行, 1-2列
z = x[1:4,1:3]  
[[ 4  5]
 [ 7  8]
 [10 11]]
# 高级索引来切片, 1-3行,1、2列
y = x[1:4, [1,2]]
[[ 4  5]
 [ 7  8]
 [10 11]]

Shape Manipulation

改变形状

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
a = np.floor(10*np.random.random((3,4)))	# <1的小数*10，取整
array([[ 9.,  6.,  3.,  8.],
       [ 2.,  8.,  4.,  2.],
       [ 5.,  3.,  3.,  1.]])
# 形状
a.shape
(3, 4)
# 打平，返回array
a.ravel()
array([ 9.,  6.,  3.,  8.,  2.,  8.,  4.,  2.,  5.,  3.,  3.,  1.])
# reshape 生成新的
a.reshape(2, 6) 
a.reshape(3, -1) # 给定一个，自动计算另外的
# resize 改变自己
a.resize(4, 3)
# 转置
a.T

堆积不同的阵列

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
a = np.floor(10*np.random.random((2, 2)))
b = np.floor(10*np.random.random((2, 2)))
# 垂直堆积 (4, 2)
np.vstack((a, b))
[[ 1.,  7.],
 [ 9.,  8.],
 [ 9.,  0.],
 [ 8.,  6.]]

# 水平堆积 (2, 4)
np.hstack((a, b))
array([[ 1.,  7.,  9.,  0.],
       [ 9.,  8.,  8.,  6.]])

# 特别的，针对一维的列堆积
a = np.array((1,2,3))
b = np.array((2,3,4))
np.column_stack((a,b))
[[1, 2],
 [2, 3],
 [3, 4]]