numpy的使用

array本身属性

• shape：返回一个元组，表示array的维度
• ndim：array是几维的
• size：array所有元素数目
• dtype：array中元素类型（与List不同的是，array中所有元素必须都是相同类型）

array的创建

import numpy as np

# 直接根据python的List生成array
x = np.array([1,2,3,4,5,6])

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

# 使用arange创建数字序列
x = np.arange(10)  # [0,10)的整数
x = np.arange(2,10,2) # [2,10)的整数，步长为2

# 使用特殊的方式
x = np.ones(shape,dtype=None,order='C') # 创建全是1的数组，shape是整数或者元组，表示数组的形状，后面两个参数可以不写
x = np.ones_like(a,dtype=float,order='C')   # 创建形状和a数组一样的数字，所有元素全部设为1，后面两个参数可以不写
# np.zeros与np.ones用法类似

x = np.empty(shape,dtype=float,order='C')   # 元素的值未初始化，不能随意使用
x = np.empty_like(a,dtype=float,order='C')  # 类似

x = np.full(shape,fill_value,dtype=None,order='C')  # fill_value是用来初始化的值，shape指定形状，全部初始化为fill_value
# full_like类似

x = np.random.randn()   # 返回一个数字
x = np.random.randn(3,2)    # 生成一个三行两列

x = np.random.randint(1,100,10) # 生成1到100的数字，一共要10个

array的操作

调整形状

x = np.arange(12)
x = x.reshape(2,6)  # 调整后的整体元素数量要与之前相同

查看形状

x = np.arange(12).reshape(2,6)
x.shape # 返回一个元组(2,6)

按元素操作

x = np.arange(12).reshape(2,6)
x+1 # 把数组x中每个元素+1
x*3 # 把数组中每个元素×3
np.sin(x)   # 计算每个元素的sin值
np.exp(x)   # 计算每个元素的e的x次方

y = np.random.randn(2,6)
x + y   # 按元素+
x - y   # 按元素-

索引、切片

一般索引

# 类似python原生切片方法
x[index]    # 取指定下标
x[start:end]    # 前闭后开
x[2:-1] # 从第3个到最后一个
x[2:]   # 第3个到最后
x[:-1]  # 从前到最后一个

# numpy特有的切片方法
x[0,1,2]    # 直接用逗号

x[0,1] = 123    # 给切片赋值，影响原来的数组

神奇索引

x = np.array([
    7,3,6,3,6,8,43,1,45
])

x[[3,4,7]]
# 将会根据索引中提供的下标列表，查找相应下标对应的元素数值，然后按照索引的格式返回数据，返回的结果是array([6,3,43])

indexs = np.array([[0,2],[1,3]])
x[indexs]
# 返回的结果是array([[7,6],[3,3]])

x = np.array([
    [1,2,3,4,5],
    [6,7,8,9,10],
    [11,12,13,14,15]
])
x[[0,2]]    # 取前两行
x[:,[0,2]   # 取所有行的前两列
x[[0,2],[0,2]]  # 取0行0列的和1行1列的组成一个一维数组

布尔索引

x = np.arange(12)
x[x>5]  # 获得大于5的元素列表

x[x>5]=1    # 二值化
x[x<=5]=0

x = np.aragne(12).reshape(3,4)
x[x>5]  # 不考虑维度，仅针对每个元素

# 条件组合  每个条件都必须加小括号
x = np.arange(10)
condition = (x%2==0) | x>7
x[condition]