numpy库

numpy中文网

不懂的地方还是多参考官方文档！

矩阵numpy

   矩阵利用`numpy`模块进行构建。<br />       `import numpy as np`

创建多维数组

np.array()

   `arr = np.array(list, dtype=int)`<br />       其中，dtype会根据初始化的数据自动进行选择，不为必选参数。

np.asarray()

   `arr = np.asarray(list, dtype=int)`<br />       基本用法和np.array()一样。

生成特定值的矩阵

1. np.ones(shape=(4,4),dtype=int)
   当然像shape=, dtype=这样的句子通常会被省略。
2. np.zeros(shape=5,dtype=int)

3. np.full(shape=(2,5),dtype=int,fill_value=520)

   （为了方便起见，像shape这些最好加上去）

   创建等步长数组

4. np.arange(0, 10, 0.5)

   参数分别是：起始、结束、步长（可以为浮点数，range不能为浮点数），不含终止值；

5. np.linspace(0, 10, 11)

   参数分别为：起始、结束、平均分为多少份（包含终止值）

   创建随机数组

6. np.random.randint(low,high,size)

   生成随机数组的范围在[low,high]范围，size是数组的大小，可以是数，也可以是元组（高维），生成数组元
   素类型为int型。

7. np.random.random(size)

   用于均匀的生成在0-1范围的浮点数。

8. np.random.normal(loc,scale,size)

   用于生成正态分布的随机数，loc表示均值，scale表示方差。

9. 随机种子的生成

   计算机中的随机数字都是伪随机，利用算法生成的，如果想要得到相同的随机数字用于实验时复现算法，可以
   认为设置随机种子。
   np.random.seed(seed)
   seed是一个整数。
   比如：我首先种下一个种子，然后创建随机数组；在之后我种下同样的种子，然后创建同样大小的随机数组将
   会得到相同的随机数组。

   array的基本属性

   数组的维度

   arr.ndim

   数组的形状

   arr.shape

   数组的数据类型

   arr.dtype

   数组元素个数

   arr.size
arr.size(0)：第0个维度的大小

   访问方法（切片索引）

   和列表基本相同，也可以进行切片方式访问。切片方式访问返回的是原数组的一个引用，改变切片也会改变原数组（list不会出现这样的情况，返回的切片是一个copy）。所以如果要获得数组的一个copy需要利用copy函数：`arr1 = arr[:2,:2].copy()`

注意事项：
假设数组元素为 T = [[1,2,3],[4,5,6],[7,8,9]]（不是list）
利用T[:2,:2]访问和T[:2][:2]访问意思不同。第一种是得到前两行两列的元素；第二种是先得到前两行产生一个新的数组，然后再获取新数组的前两行。其中list构造的多维数组（非严格意义）只能用第二种取元素，不能用第一种，因为list不是严格的多维数组，可以理解为不停一维list的嵌套访问。

值得注意的是：
比如一个numpy a的shape为：（30，3，224，224）则：a[:, 1, :, :]的shape为（30,224,224）也即是会降一个维度（被抽取了一个维度，squeeze(dim=xxx)）。

矩阵操作

改变数组形状

利用reshape函数。
arr2 = arr.reshape(shape) （shape可以是元组：和之前的对应起来，也可以不要括号）

自动计算维度机制：
arr2 = arr.reshape(5,-1)
-1表示此维度自动计算得出。（但是必须整除，不然报错）

数组的合并和分割

• 合并操作（维度并没有增加）

  np.concatenate([arr1,arr2,…,arrn], axis = number)

  注：此方法只能够支持具有相同ndim的数组进行合并；（比如二维数组只能和二维数组进行此操作）axis参数之前讲过：从外面向内数axis从0递增。（默认会选择axis=0）默认和axis=0等效！（还是最强的一个拼接方法）

  np.vstack([arr1,arr2,arr3,…arrn])

  可以支持不同维度的合并操作（智能，但是只能用于二维数组和一维向量，更高为则ndim必须相同），相当于concatenate的axis=0；顾名思意，和布局中的垂直布局类似。

  np.hstack([arr1,arr2,arr3,…arrn])

  和np.vstack()类似，相当于axis=1，相当于是水平布局。

• 分割操作

  arr1, arr2, arr3 … arrn = np.split(arr, [num1, num2, num3,…numn], axis=number)

  其中[num1,num2,…numn]中的numi表示的隔断点的位置（类似于下标索引），axis表示的是按照哪个轴来进行隔断。

  # eg
  arr1,arr2,arr3 = np.split(arr, [3,6])

  关于axis=0时在3、6位置除进行隔断。
  up, down = np.vsplit(arr, [``断点数组])。仍旧相当于axis=0
  left, right = np.hsplit(arr, [``断点数组])。仍旧相当于axis=1
  
  值得一提的是：torch.stack([torch1,torch2])，进行堆叠之后维度会增加，比如两个二维堆叠就会形成一个三维数组。当然可以用dim参数（dim=0,1…）,dim和numpy的axis一样。

  矩阵运算

   对于list，内部元素如果想要变为两倍，不能用：`2*list`（只是复制，连接操作）；需要利用列表生成式，或者遍历list。<br />       但是numpy却能够实现这样的操作：（引入的`Universal Function`机制）

numpy聚合运算

默认是对所有元素操作（和之前默认和axis=0等效不同）

12、numpy arg索引

默认axis不再为0，是对所有元素操作

13、index索引

assert语句的用法：

assert arr1.ndim==2 and arr2.ndim==2, "输入数据不是矩阵"

如果assert后面的表达式是true则程序继续进行，否则抛出异常，后面的提示信息也会被附带抛出。

14、矩阵其它操作（以二维为例）

from numpy import *
# 增加一行
m_r = append(m, [[1,2,3]], axis=0)
# 注：m是原矩阵，[[1,2,3]]是想要添加的一行（维度相同），aixs=0，相当于之前的vstack（智能）
# 增加一列
m_r = insert(m, [[1],[2],[3]], axis=1)
# 相当于hstack()
# 删除一行
m_r = delete(m, [1], axis=0)
# 注：其中的[1]表示的是行标（第一行）；
# 删除一列
m_r = delete(m, s_[1], aixs=1)
# 注：其中的s_[1]表示的是列标（第一列）
# 更新一行
m[1] = [1,2,3]

newaxis增加维度

>>> a
array([[2, 3, 4],
       [5, 6, 7]])
>>> a[np.newaxis,:]
array([[[2, 3, 4],
        [5, 6, 7]]])
>>> a[np.newaxis]
array([[[2, 3, 4],
        [5, 6, 7]]])
>>> a[:, np.newaxis]
array([[[2, 3, 4]],
       [[5, 6, 7]]])
>>> a[:, :, np.newaxis]
array([[[2],
        [3],
        [4]],
       [[5],
        [6],
        [7]]])