1.ndarray对象
1.1 属性
| 属性名字 | 属性解释 |
|---|---|
| ndarray.shape | 数组维度的元组 |
| ndarray.ndim | 数组维数 |
| ndarray.size | 数组中的元素数量 |
| ndarray.itemsize | 一个数组元素的长度（字节） |
| ndarray.dtype | 数组元素的类型 |
2. 数组生成
2.1 linspace（等差数组）
- 描述
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(指定数量)
- 用法
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
参数 |
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 |返回值
返回一个ndarray数组，数组内元素的类型为numpy.float64
用法
import numpy as npa = np.linspace(1,10,10)print(a)# [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
2.2 生成0/1数组
描述
生成全0或全1的数组
- 用法
np.ones(shape, dtype)np.ones_like(a, dtype)np.zeros(shape, dtype)np.zeros_like(a, dtype)
参数 |
shape:列表| 生成的数组形状 | | —- | —- | |a:array_like| 生成与数组a形状相同的数组 | |dtype：np.dtype| 数据类型，默认为浮点数 |返回值
2.3 从现有数组生成
- 描述
从已有的数组生成一个ndarray数组，有两种方法，这两种略有不同
- 用法
np.array(array_like)np.asarray(array_like)
参数 |
array_like| 用于生成ndarray数组的列表或数组 | | —- | —- |二者区别
array属于深拷贝，即他是复制一份新的数组用于生成而asarray属于浅拷贝，即他是直接用原有数组的内存空间生成
所以当原有数组里的元素修改时，array生成的数组不会变化，而asarray生成的数组的元素会随着变化
2.4 arange（等差数组）
- 描述
创建等差数组。（指定步长）
- 用法
np.arange(start,stop, step, dtype)
- 参数
|
start| 序列起始值 | | —- | —- | |stop| 序列终止值 | |step| 步长 |
2.5 logspace (等比数列)
- 描述
创建等比数列数组
用法
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)参数 | 参数 | 描述 | | :—- | :—- | |
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。 | |dtype|ndarray的数据类型 |
注意：start和stop相当于等比数列的次数，base即等比数列的基数，默认为10
示例
np.logspace(0, 4, 5, base=2)# array([ 1., 2., 4., 8., 16.])
2.5 随机数组生成
2.5.1 正态分布
正态分布记作
，
决定了其位置，其标准差
决定了分布的幅度。当
时的正态分布是标准正态分布。标准差越大，则正态分布图像开口越大。np.random.normal(loc=0.0,scale=1.0,size=None)loc:float
此概率分布的均值（对应着整个分布的中心centre）
scale:float
此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
输出的shape，默认为None，只输出一个值
np.random.standard_normal(size=None)
2.5.2 均匀分布
np.random.randn(d0,d1,d2...)
创建给定形状的数组，并使用上均匀分布的随机数填充数组，随机数范围在
,d0,d1,d2..指的是数组的维度。
注意：参数只能填int数，不能填列表或元组
np.random.uniform(low=0.0, high=1.0, size=None)low: 采样下界，float类型，默认值为0；high: 采样上界，float类型，默认值为1；size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m_n_k个样本，缺省时输出1个值。
np.random.randint(low, high=None, size=None, dtype='l')- 一个均匀分布中随机采样，生成一个整数或N维整数数组，
- 取数范围：若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。
3. 数学函数与数组运算
3.1 三角函数
- 描述
计算三角函数值
- 用法
np.sin(x)、np.cos(x)
参数 |
x:array_like| 一个类数组，列表、元组、adarray等 | | —- | —- |返回值
3.2 通用判断函数
np.all(判断语句)
对判断语句中数组的所有元素进行判断，如果全部为True，返回True，否则返回False
np.any(判断语句)
对判断语句中数组的所有元素进行判断，如果存在True，返回True，如果全是False返回False
- 示例
score = np.random.randint(30,100,(5,4))#array([[96, 63, 35, 80],# [72, 84, 39, 92],# [77, 61, 91, 72],# [50, 67, 76, 48]])np.all(score[0:2] > 60) # Falsenp.any(score[0:2] > 60) # True
注意：这里返回的是一个
bool值，不是一个ndarray
3.3 where(三元运算符)
这个函数类似于for循环遍历数组的所有元素，然后根据判断条件(True/False)对其进行修改
- 用法
np.where(逻辑判断，true_value, false_value)
参数 | 逻辑判断 | 是指对数组的每个元素按条件进行判断转化成bool值 | | —- | —- | |
true_value| 如果对应位置上的bool值是true，则转化成true_value| |false_value| 如果是False，则替换成false_value|返回值
返回修改过后的ndarray。
- 示例
```python
temp
array([[96, 63, 35, 80],
[72, 84, 39, 92]])
np.where(temp>60,’及格’,’不及格’)array([[‘及格’, ‘及格’, ‘不及格’, ‘及格’],
[‘及格’, ‘及格’, ‘不及格’, ‘及格’]], dtype=’<U3’)
np.where(np.logical_or(temp>80,temp<60),1,0)
array([[1, 0, 1, 0],
[0, 1, 1, 1]])
np.where(np.logical_and(temp>70,temp<90),1,0)
array([[0, 0, 0, 1],
[1, 1, 0, 0]])
---<a name="JxkJj"></a>## 3.4 统计运算- `min(a, axis)` # 最小值- Return the minimum of an array or minimum **along an axis**.- `max(a, axis])` # 最大值- Return the maximum of an array or maximum along an axis.- `median(a, axis)` # 中位数- Compute the median along the specified axis.- `mean(a, axis, dtype)` # 平均值- Compute the arithmetic mean along the specified axis.- `std(a, axis, dtype)` # 标准差 =方差开根- Compute the standard deviation along the specified axis.- `var(a, axis, dtype)` # 方差- Compute the variance along the specified axis.**axis 0代表列, axis 1代表行去进行统计, 如果不指定轴，则是对整个数组元素进行操作****。**- 示例```pythonarray([[96, 63, 35, 80],[72, 84, 39, 92],[36, 57, 94, 46],[77, 61, 91, 72],[50, 67, 76, 48]])np.max(score,axis=0) # array([96, 84, 94, 92])np.max(score,axis=1) # array([96, 92, 94, 91, 76])np.max(score) # 96
- np.argmax(temp, axis=)
- np.argmin(temp, axis=)
- 不是返回最大/最小值，而是返回下标。
- 示例
array([[96, 63, 35, 80], [72, 84, 39, 92], [36, 57, 94, 46], [77, 61, 91, 72], [50, 67, 76, 48]]) np.argmin(score) # 2 np.argmin(score, axis=1) #array([2, 2, 0, 1, 3], dtype=int64)注意：下标不是类似于索引的形式，而是一行一行数，数它是第几个元素。
3.5 广播机制
满足一下任一条件即可广播
- 1.数组的某一维度等长。
- 2.其中一个数组的某一维度为1 。
且数组之间的加减乘除数学运算是对每个元素进行运算，与列表不一样，列表的乘(*)是复制元素
3.6 矩阵乘法
np.matmul(矩阵A，矩阵B)np.dot
二者都是矩阵乘法。 np.matmul中禁止矩阵与标量的乘法。 在矢量乘矢量的內积运算中，np.matmul与np.dot没有区别。其实矩阵与标量的乘法就是ndarray*scale
3.7 np.argmax()
numpy.argmax(array, axis) 用于返回一个numpy数组中最大值的索引值。当一组中同时出现几个最大值时，返回第一个最大值的索引值。
one_dim_array = np.array([1, 4, 5, 3, 7, 2, 6])
print(np.argmax(one_dim_array)) # 4
#--------------------------------------
two_dim_array = np.array([[1, 3, 5], [0, 4, 3]])
max_index_axis0 = np.argmax(two_dim_array, axis = 0)
max_index_axis1 = np.argmax(two_dim_array, axis = 1)
print(max_index_axis0) # [0 1 0]
print(max_index_axis1) # [2 1]
4. 数组形状/类型修改
4.1 resize
- 描述
将数组修改成指定的形状，如果修改后的形状大于原先形状，则自动填充，有两种调用方式，其填充不同
- 用法
np.resize(a, new_shape)ndarray.resize(new_shape)，是in-place操作，即在数组内存空间引用上修改
- 参数
|
a:array_like| Array to be resized. | | —- | —- | |new_shape:int or tuple of int| Shape of resized array. |
注意：
np.resize在元素不足时复制原数组的元素进行填充，而ndarray.resize填充的是0。
- 返回值
4.2 reshape
- 描述
与resize类似，但当修改后的形状大于原形状，无填充能力。可自己选择以什么样的顺序去填充新的数组
- 用法
np.reshape(a, newshape, order='C')ndarray.reshape(newshape, order='C')
参数 |
a:array_like| Array to be resized. | | —- | —- | |new_shape:int or tuple of int| Shape of resized array.允许存在-1，此时-1维度由程序自己推出 | |order：{‘C’,‘F’,‘A’}, ``optional| ‘C’的意思就是说按照索引顺序横着读取原数组元素，然后按照行的顺序写入新数组，’F’则是竖(列)着读，竖(列)着写 |示例
old = np.arange(0, 6).reshape((2,3)) #array([[0, 1, 2], # [3, 4, 5]]) new = np.reshape(old, (3,2),'F') #列读取/写入 #array([[0, 4], # [3, 2], # [1, 5]]) new = np.reshape(old, (3,2),'C') #行读取/写入 #array([[0, 1], # [2, 3], # [4, 5]])4.3 转置
ndarray.T
4.4 类型修改
ndarray.astype(type)
4.5 vstack
按垂直方向（行顺序）堆叠数组构成一个新的数组。就是一行一行的放。
a = np.array([1,2,3]) # array([1, 2, 3])
np.vstack(a)
#array([[1],
# [2],
# [3]])
b = np.array([4,5,6])
np.vstack([a,b])
# array([[1, 2, 3],
# [4, 5, 6]])
若有收获，就点个赞吧
0 人点赞
