ufunc函数的广播机制 numpy 广播函数

numpy广播机制

广播机制存在的意义就是当两个列表的维度不相等时，可以通过广播机制进行计算，但是只有行或者列相等的时候，才能进行广播机制。

运行机制：在缺失的维度上进行广播。

numpy常用函数：

（1）np.unique() #去重

（2）np.in1d(array,str) # 返回字符串在列表中的bool值

（3）np.power() #幂计算

（4）np.intersect1d(arry1,arry2) #返回相同的元素

（5）np.equal(array1,array2) #广播机制，返回一个m*N的false or true数组
（6）np.greater((array1,array2)) #广播机制，返回一个m*N false or true的数组
（7）np.isnan(array) #广播机制，返回一个m*N false or true的数组

搜索和排序：

sort默认是升序

np.sort(s)[::-1] #sort默认升序
np.argsort(s)
np.argmax(s,axis=0) 行方向
np.argmin(s,axis=0)

np.where（条件，True的返回结果，False的返回结果） #进行条件判断
np.extract(条件，参数)返回参数中满足条件的值。

文件的存储和读取：

#-----------加载文件----------------
np.loadtxt(path,delimiter=',',skip_head=1)
#加载路径文件（txt或者csv,delimiter是文件中以什么隔开就传什么参数，skip_head=1.跳过第0行，常用语跳过表头）


#-----------存储文件-------------------
np.savetxt(path,data,delimiter,fmat)
#参数：path为保存路径
#     data 为保存的数据
#    delimiter为隔开数据
#    fmat 为数字存书格式，如%.3f等

numpy字符串操作，char模块下的常用函数

（1）np.char,upper() #将字符串变为大写

（2）np.char.add() #字符串拼接

（3）np.char.replace

（4）np.char.join()

(5) np.char.trip()#去除某个字符

(6)np.char.find(arr,str)

np随机数生成 random模块

np.random.seed() #生成随机种子

np.random.shuffle(arr)#对数据随机打乱,arr发生改变。
np.random.permutation(arr) #返回打乱的视图，arr不发生改变，想要改变arr,可以进行赋值，arr = np.random.permutation(arr)

np.set_printoptions(presiction = 5) #显示的小数位数 

np.random.random(num or (m,n)) #返回0-1之间num个或者（m,n）个随机数 

np.random.randint(start,end,size)  #返回start-end之间size个随机数 

np.random.rand(size) 返回0-1之间的均匀分布，size=size 

np.random.uniform(low,high,size)返回low-high之间的均匀分布

np.random.randn(size) #产生size个标准正态分布，标准正态分布是mean=0，std=1
np.random.normal(mean,std,size) #产生均值为mean,方差为std的均匀分布

np统计相关函数

#理解axis=0 和axis =1的区别

np.sum(axis=0)
np.mean()
np.cumsum()#累计求和
np.percentile(data,[10,20.30]) #取中位数，没有[10,20.30]时，只取中位数，有参数时，取从小到大排列后指定为的数字
np.ptp() #计算极差，最大值-最小值

np线性代数

矩阵乘法,矩阵转置和求逆

a = np.array([1,2,3])
b = np.array([4,5,6])
vector = np.dot(a,b) #点乘
vector
# dot一维数组表示点乘，高维数组表示矩阵乘积
arr_one = np.random.uniform(2,10,size=(4,1))
arr_two = np.random.uniform(2,10,size=(3,4))
result = np.dot(arr_two,arr_one)
result

arr_three = np.transpose(arr_two) #转置
arr_three.shape
arr_four = np.random.uniform(2,10,size=(4,4))
arr2_inv = np.linalg.inv(arr_four)#求逆，
arr2_det = np.linalg.det(arr_four)#求行列式的值