numpy的使用_numpy 使用

一、numpy安装

conda install numpy 
 
 
 
 # 或  pip install numpy

二、常用命令

1、查看numpy的版本

numpy.__version__

2、创建数组

import numpy as np
np.array(
    object :  任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。
    dtype  :  数据类型 可选  
    copy   :  可选，默认为true，对象是否被复制。
    order  :  可选,指定数组的内存布局
    subok  :  可选,如果为True，则将传递子类，否则返回的数组将被强制为基类数组(默认)
    ndmin  :  指定返回数组的最小维数
 
 
)

 案例：

 3、创建等差数组

np.arange(
    start : 默认为0，开始的值
    stop  : 结束值
    step  : 步长，每两个数之间的差值
    dtype : 指定数组的类型
    
)

注意：返回的数组是包含start,不包含stop; step值填写，start的也一定要填写 

 

4、查看数组的形状shape,数据类型dtype,维数ndim,元素个数size,每个元素的内存空间itemsize

 5、创建全为1的数组

np.ones(
    shape  : 数组的形状   例如 （2，3）或者 '2'
    dtype  : 数据类型  可选
    order  : 可选，默认C 以行主方式存储数据  ;F 以列主方式存储数据
)
    
np.ones_like(
    obj   : 对象，返回一个与obj形状类似且全为1的数组
    dtype : 定义数组类型 可选
    order : 可选，C 以行主方式存储数据  ;F 以列主方式存储数据，默认K，与obj形状布局越接近越好
    
)

 

6、创建全为0的数组

np.zeros(
    shape : 全为0的数组的形状
    dtype : 指定数据类型
    order : 默认为C ，以行主方式来存储多为数据，F以列主方式来存储多维数据
)
 
 
np.zeros_like(
    
    obj   : 对象，返回一个与obj形状类似且全为0的数组
    dtype : 定义数组类型 可选
    order : 可选，C 以行主方式存储数据  ;F 以列主方式存储数据 默认K，与obj形状布局越接近越好
)

7、创建指定形状和dtype的未初始化数组

np.empty(
    shape,          :空数组的形状，整数或整数元组 
    dtype = float,  : 指定数据类型，默认为float
    order = 'C'     : 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组
)
 
np.empty_like(
    obj   : 对象，返回一个与obj形状类似且全为空的数组
    dtype : 定义数组类型 可选
    order : 可选，C 以行主方式存储数据  ;F 以列主方式存储数据 默认K，与obj形状布局越接近越好
)
 

8、创建单位矩阵的两种方法

np.eye(
    num   : 输出num行num列的的单位矩阵
    dtype : 指定数据类型
)
 
 
np.identity(
    num   : 输出num行num列的的单位矩阵
    dtype : 指定数据类型  
)

9、创建全为某个指定的数的数组

np.full(
    shape : 数组的形状  元组和整数都行  例如 （2，3）  2
    fill_value  :填充的值
    dtype   : 指定的数据类型
)
 
 
np.full_like(
    a   : 已有数组对象
    fill_value   :填充的值
)

11、 用对数创建等比数组

np.logspace(
    start         次幂的起始值
    stop          次幂的结束值
    num=50        可选，需要生成的样本数
    endpoint=True    可选，是否包含stop次幂的结束值
    base=10.0        可选 , log的底数
    dtype=None        可选 ，指定数据类型
    axis=0         维度   0表示竖直方向，1表示水平方向
 
)

12、 数组类型的转换

创建数组的时候，可使用dtype指定数组中元素的类型如果没指定，根据元素类型进行推断，如果类型不同，会选择兼容类型，可以使用astype函数转换数据类型

13、改变数组形状 

np.reshape(
    obj         : 数组对象
    shape       : 数组的形状 元组格式   例如（2，3）
    order       : 数组元素存储的方式 C 按行为主， F按列为主
)

 

 

14、数组的索引的切片

# 索引与切片
 
# 在python中，序列类型支持索引与切片。 ndarray 数组也支持类似的操作。不过两者之前既有相同点，也有不同点
 
# 相同点： 数组对象也支持索引与切片，语法python 中索引与切片类似
 
# 不同点： 数组切片返回的原数组数据视图。如果需要复制底层数组元素，可使用数组对象copy方法
 
# 注意： 视图共享底层数组元素
 

 

14.1 获取不连续的元素(获取多个不连续的元素要写在列表里)

 

14.2 布尔数组进行索引

 
我们可以通过布尔数组对数组进行索引，获取对应的元素，获取数据原则::为True,获取对应位置，为False，不获取。
说明：
    索引布尔数组通过对现有数组计算得到
    逻辑运算符和python 不同： and ->& ,or ->|,not->~,条件组合时候，条件需用小括号

15、数组的扁平化 (把多维转换成一维数组)

# 三种方法
# 第一种
# np.reshape()
 
 
 
# 第二种方法
# np.ravel/ravel
 
# 第三种
# flatten
 
# ravel和flatten区别 两者区别在于，ravel返回数组原数组共享数据，而flatten返回原数组拷贝

16、通用函数

 Numpy 提供很多通用函数，他可以看做对应python计算向量化版本
 1. abs/fabs     :绝对值
 2. ceil/floor   :    浮点数取整  ceil整数部分+1 /floor 取整数部分
 3. exp         
 4. log/log2/log10
 5. modf    : 整数和小数部分     小数在前 整数在后
 6. sin/sinh/cos/cosh
 7. sqrt

17、统计函数

# 统计函数
   Numpy具有如下常用统计函数
   1. mean/sum     均值/和
   2. max/min    最大值/最小值
   3. argmax/argmin    最大值对应的索引值/最小值对应的索引值
   4. std/var                  标准差/方差   
   5. cumsum/cumprod   累加和/累乘
   
   注意： 统计函数如果只传入数组对象的话，他会对数组首先进行一个扁平化处理，在对扁平化后的一维数组的所有数据进行统计

18、轴

# 轴（axis）
   可以指定axis参数改变统计的轴。在二维数组中，0表示竖直方向操作,1表示沿水平方向操作
   超过二维的多维数组，轴相对复杂，可认为沿着轴所指定坐标变化方向，进行操作。比如轴是0，则根据第0个坐标变化方向

19、拆分和连接函数

   1. np.concatenate 对多个数组按指定轴方向进行连接
   2. np.vstack/np.hstack    竖直方向连接/水平方向连接
   3. np.split/np.hsplit/np.vsplit

20、其他函数

   1. any/all             : 0 和 None,返回False  其他返回True
   2. transpose          : 对数组数据进行转置
   3. dot              :对矩阵乘法进行运算
   4. np.sort      :   数组内容排序
   5. np.argsort    :数组里面元素对应的索引排序
   6. np.tile    : 复制