NumPy 使用
NumPy使用
import numpy as np数据拷贝
numpy关于copy有三种情况，完全不复制、视图（view）或者叫浅复制（shallow copy）和深复制（deep copy）。
而 b = a[:] 这种形式就属于第二种，即视图，这本质上是一种切片操作（slicing），所有的切片操作返回的都是视图。具体来说，b = a[:]会创建一个新的对象 b（所以 id(b) 和id(a) 返回的结果是不一样的），但是 b 的数据完全来自于a，和 a 保持完全一致，换句话说，b的数据完全由a保管，他们两个的数据变化是一致的，可以看下面的示例:
a = np.arange(4) # array([0, 1, 2, 3])
b = a[:] # array([0, 1, 2, 3])
b.flags.owndata # 返回 False，b 并不保管数据
a.flags.owndata # 返回 True，数据由 a 保管
# 改变 a 同时也影响到 b
a[-1] = 10 # array([0, 1, 2, 10])
print(b) # array([0, 1, 2, 10])
# 改变 b 同时也影响到 a
b[0] = 10 # array([10, 1, 2, 10])
print(a) # array([10, 1, 2, 10])b = a 和 b = a[:] 的差别就在于后者会创建新的对象，前者不会。两种方式都会导致 a 和 b 的数据相互影响。
要想不让 a 的改动影响到 b，可以使用深复制：
unique_b = a.copy()矩阵运算
矩阵乘法
"""
元素乘法：np.multiply(a,b) a*b
矩阵乘法：np.dot(a,b) 或 np.matmul(a,b) 或 a.dot(b) 或直接用 a @ b !
唯独注意：*，在 np.array 中重载为元素乘法，在 np.matrix 中重载为矩阵乘法!
"""矩阵取逆
a = np.array([[1, 2], [3, 4]]) # 初始化一个非奇异矩阵(数组)
print(np.linalg.inv(a)) # 对应于MATLAB中 inv() 函数
# 矩阵对象可以通过 .I 更方便的求逆
A = np.matrix(a)
print(A.I)正态分布的随机数数组
# loc - 正态分布的均值
# scale - 正态分布的标准差
# size - 返回数组的形状。
x = np.random.normal(loc=1, scale=2, size=(2, 3))从数值范围创建数组
numpy.arange
numpy.arange(start, stop, step, dtype)
"""
start 起始值，默认为0
stop 终止值（不包含）
step 步长，默认为1
dtype 返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。"""numpy.linspace
函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
"""
start 序列的起始值
stop 序列的终止值，如果endpoint为true，该值包含于数列中
num 要生成的等步长的样本数量，默认为50
endpoint 该值为 true 时，数列中包含stop值，反之不包含，默认是True。
retstep 如果为 True 时，生成的数组中会显示间距，反之不显示。
dtype ndarray 的数据类型"""numpy.logspace
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
"""
start 序列的起始值为：base ** start
stop 序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中
num 要生成的等步长的样本数量，默认为50
endpoint 该值为 true 时，数列中中包含stop值，反之不包含，默认是True。
base 对数 log 的底数。 base 参数意思是取对数的时候 log 的下标。
dtype ndarray 的数据类型"""示例
a = np.logspace(1.0, 2.0, num = 10) # 默认底数是 10
print (a)输出
[ 10. 12.91549665 16.68100537 21.5443469 27.82559402
35.93813664 46.41588834 59.94842503 77.42636827 100. ]更改数据类型
import numpy as np
arr = np.array([1,2,3,4,5])
print(arr.dtype)
float_arr = arr.astype(np.float64)
print(float_arr.dtype)交换行（列）
test = np.array([[1, 2, 1], [3, 4, 5], [1, 2, 3]])
print(test)
test1 = test[(0, 2, 1), :] # 交换行
print(test1)
test2 = test[:, (0, 2, 1)] # 交换列
print(test2)添加一行、一列
# -*- coding: UTF-8 -*-
import numpy as np
# 创建数组arr
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print('第1个数组arr：', arr)
print('向arr数组添加元素：')
print(np.append(arr, [[9, 10], [11, 12]]))
print('原数组：', arr)
print('沿轴 0(行方向) 添加元素：')
print(np.append(arr, [[9, 10, 11, 12], [11, 11, 11, 11]], axis=0))
print('沿轴 1(列方向)添加元素：')
print(np.append(arr, [[9, 10], [11, 12]], axis=1))获取一列、一行
import numpy as np
a=np.arange(9).reshape(3,3)
print(a[1]) #某列
ptint(a[:,1]) #某列删除某行，某列
x = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
x1 = np.delete(x, 1, axis=0) # axis=0 删除某行
print(x1)
x2 = np.delete(x, [1,2], axis=1) # axis=1 删除多列
print(x2)
x3 = np.delete(x, 1, axis=None) # axis = None：表示把数组按一维数组平铺在进行索引删除
print(x3)行列拼接
a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([[11, 21, 31], [7, 8, 9]])
c1 = np.concatenate((a, b), axis=0) # 合并行 默认情况下，axis=0可以不写
print(c1)
c2 = np.concatenate((a, b), axis=1) # 合并列
print(c2)转置
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(arr)
print(arr.T) # 方式一
print(np.transpose(arr)) # 方式二空数组
np.empty(shape=(0))
np.empty(shape=(0, 4))取整函数
| 函数名 | 功能 |
|---|---|
| numpy.ceil(x,) | 向正无穷取整 |
| numpy.floor(x,) | 向负无穷取整 |
| numpy.trunc/fix(x,) | 截取整数部分 |
| numpy.rint(x,) | 四舍五入到最近整数 |
| numpy.around(x,decimals=0) | 四舍五入到给定的小数位 |
ones_like、zeros_like
生成形状、数据类型一样的全一、全零数组
>>> x = np.arange(6)
>>> x = x.reshape((2, 3))
>>> x
array([[0, 1, 2],
[3, 4, 5]])
>>> np.ones_like(x)
array([[1, 1, 1],
[1, 1, 1]])
>>> np.zeros_like(x)
array([[0, 0, 0],
[0, 0, 0]])>>> y = np.arange(3, dtype=float)
>>> y
array([0., 1., 2.])
>>> np.ones_like(y)
array([1., 1., 1.])
>>> np.zeros_like(y)
array([0., 0., 0.])