numpy和python匹配

numpy(numerical python简称) 的核心内容是narray（多维数组），记录numpy的用法

• 创建数组

(1) 直接导入

import numpy as np
vector = np.array([1,2,3,4])
maxtrix = np.array([[1,2],[3,4],[5,6]])

(2) 用list的方式来创建数组

nparray = np.array([i for i in range(10)])

     结果：

(3) numpy 内置方法来创建数组

#创建10个零元素的向量
np.zeros(10,dtype=int) #dtype指定数据类型，默认是float64
np.zeros(10) #数据类型是float64

#创建3x4的零矩阵
np.zeros(shape=(3,4))
np.zeros((3,4))
np.zeros([3,4])

#创建元素为1的数组
np.ones((3,4))#3x4 全1的二维数组，数据类型是float64

#创建全部为指定值的数组
np.full((3,5),121) #3x5 全为121的二维数组，数据类型是int（121是int）

#创建指定范围的数组
np.arange(0,20,2)#前2个参数数范围（前闭后开），第3个参数是步长2，默认是1，返回的结果是：array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])
np.linspace(0,20,5)#[0,20]分成5等分 返回结果：array([ 0.,  5., 10., 15., 20.])

#random创建数组
np.random.randint(0,10,10) #产生一个0~10范围内的10个随机数
np.random.randint(0,10,size=(3,5))#创建一个3x5的数组，数组元素是范围在[0,10)内的随机数

• Numpy的方法

(1)reshape(row,column)

　　将array改成row X colum的数组

a = np.arange(15).reshape(3,5) 
#执行结果
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]

(2)shape

　　获取array的行数和列数

a = np.arange(15).reshape(3,5) 
print(a.shape)
##执行结果：（3,5）

(3)ndim

　　获取array的维数，向量是1维，矩阵是2维。。。

x = np.arange(15)
print(x.ndim) ##执行结果是1
X = x.reshape(3,5)
print(X.ndim) #执行结果是2

•  Numpy索引

matrix = np.array([[1,2,3],[20,30,40]])
print(matrix[0,1]) #取第0行第1列的元素：2
print(matrix[0][1])#和上面一样：2

#切片取
matrix = np.array([[5,10,15],[20,25,30],[35,40,45]])
print(matrix[:,1]) #取第1列的所有元素
print(matrix[:,0:2])#取第0列和第1列所有元素
print(matrix[1:3,:])#取第1行和第2行的所有元素
print(matrix[1:3,0:2])#取第1行第0~1列和第2行第0~1列的所有元素

• Numpy矩阵运算

(1)算术运算：加，减，乘，除，平方等等。算术运算都是对元素做处理（elementwise）

 

 

 

 

(2)矩阵乘法

mymatrix = np.array([[1,2,3],[4,5,6]])
a = np.array([[1,2],[3,4],[5,6]])
print(mymatrix.shape[1] == a.shape[0]) 
print(mymatrix.dot(a))
print(mymatrix)

(3) 矩阵的转置

a = np.array([[1,2,3],[4,5,6]])
print(a.T)

(4) 矩阵的逆

import numpy.linalg as lg

A = np.array([[0,1],[2,3]])
invA = lg.inv(A)
print(A)
PRINT(A.dot(invA))

• Numpy数据类型转换

　　　　numpy的数据类型在定义的时候，可以通过参数dtype设定，还可以通过参数astype来转换

vector = np.array(['1','2','3'])
vector = vector.astype(float)
print(vector.dtype) #float64

• Numpy的统计计算方法

##sum():计算矩阵元素和
matrix = np.array([[5,10,15],[20,10,30],[35,40,45]])
matrix.sum()#结果是210

matrix.sum(axis=0)#返回每列总和，结果是 array([35, 40, 45])
matrix.sum(axis=1)#返回每行总和，结果是 array([ 30,  60, 120])

#max():取最大值
matrix.max()#返回最大值，结果是45
matrix.max(axis=0)#返回每一列的最大值，结果是array([35, 40, 45])
matrix.max(axis=1)#返回每一行的最大值，结果是array([15, 30, 45])

#mean():平均值
matrix.mean()#返回最大值，结果是23.333333333333332
matrix.mean(axis=0)#返回每一列的最大值，结果是array([20., 20., 30.])
matrix.mean(axis=1)#返回每一行的最大值，结果是array([10., 20., 40.])

• Numpy的arg运算

(1) argmax函数：求数组中最大值的下标

(2) argmin函数：求数组中最小值的下标

matrix = np.array([[5,10,15],[20,10,30],[35,40,45]])
print(np.argmax(matrix))#结果：8
print(np.argmin(matrix))#结果：0

(3) argsort()函数：返回从小到大的索引值

x = np.arange(15)
print(x)
np.random.shuffle(x)
print(x)
sx = np.argsort(x)
print(sx)

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
[11 13 14  7  4 12  1 10  2  0  8  6  3  9  5]
[ 9  6  8 12  4 14 11  3 10 13  7  0  5  1  2]

• Numpy fancyindexing

　　通过索引取一个值，比如x[0]取第0个值，如果想要返回第3个，第5个等，需要用fancyindexing

x = np.random.randint(0,15,15)
ind = [3,5,8]
print(x)
print(x[ind])

[ 4  3  1  5 12  8 14 11 13  9  0  6 10  2  7]
[[4 1]
 [3 5]]

• Numpy数组的比较

　　返回False/True

matrix = np.array([[5,10,15],
                [20,25,30],
                [35,40,45]])    
m = (matrix == 25)
print(m)

[[False False False]
 [False  True False]
 [False False False]]