生成数组
常见的生成数组方法
import numpy as np testdata = np.arange(16)#生成指定数量个整型元素的数组 test_data = np.full((2,3),9)#指定生成2行3列，元素全为9的数组 data1 = np.zeros(15)#生成指定数量个元素全为0的数组 data2 = np.ones(20)#生成指定数量个元素全为1的数组 data3 = np.array(data1)#从现有数组拷贝 data4 = np.copy(data3)#同上（均为深拷贝） data5 = np.asarray(data1)#同上，但为浅拷贝，会随原数组变化而变化 data6 = np.linspace(0,15,10)#在指定区间内生成指定数量个元素的数组 data7 = np.arange(0,11,5)#在指定区间内生成指定间隔的数组 data8 = np.random.randint(1,100,35,'i')#生成35个从1到100之间的数组成数组
data9 = np.clip(x,min,max)#从数组x中取min到max之间的数值
其中，每个方法中还有需要非必要参数，如果有需要还需查阅相关资料。
生成均匀分布数组
###均匀分布（在相同长度间隔的分布概率是等可能的） import matplotlib.pyplot as plt data9 = np.random.uniform(10,20,1000000)#从10到20之间，随机生成1000000个数据组成均匀分布数组 print('data9:',data9) plt.figure(figsize=(20,8),dpi=100) plt.hist(data9,1000) plt.show()
运行结果为
data9: [17.20969749 11.91751292 12.13526962 ... 12.63111667 11.86567292 19.94391678]
生成正态分布数组
###正态分布 import matplotlib.pyplot as plt data10 = np.random.normal(1.71,0.2,1000000)#生成1000000个元素为均值为1.71，方差为0.2的数组 plt.figure(figsize=(20,8),dpi=100) plt.hist(data10,1000) plt.show()
运行结果为
ndarray属性的用法
常用的属性方法
array = np.array([[80,66,25,14,33], [11,45,15,34,89], [10,85,45,28,94], [18,51,74,85,10], [89,31,54,65,32], [56,13,87,12,65], [87,15,32,45,51], [17,30,84,12,45]]) array.shape#数组的维度（行列数） array.ndim#数组维度的个数 array.size#数组的个数 array.dtype#数组中元素的类型 array.itemsize#数组中元素的字节大小 array.data[1,2]#访问数组中某个位置的元素 ###切片索引与形状修改 data11 = np.random.normal(1,0.21,(8,11))###生成八组正态分布数组，每个数组内有11个元素 data12 = data11.reshape(11,8)###只在原数据基础上重新分割为指定行列，然后返回新的数组，并不影响原数组 data13 = data11.resize(11,8)###只在原数据基础上重新分割为指定行列，改变原数组,没有返回值 data14 = data12.T###转置，行变成列，列变成行,不改变原数组 ###改变数据类型，数组去重 data15 = np.random.uniform(1,10,(4,5))###生成四组均匀分布数组，每组内有5个元素 data16 = data15.astype('int64')###改变数组中元素类型且不改变原数组 data18 = np.random.normal(1,5,(3,5))###生成数组###生成数组 data18 = data18.astype('int32')###定义生成数组类型 data18 = np.unique(data18)###第一种去重方法 data19 = set(data18.flatten())###第二种去重方法，先变为一维数组再用set a = np.array([1,2,3])###生成数组 np.repeat(a, [1,2,3])###repeat(数组，元素重复次数，axis改变轴) np.tile(a, 2)###tile(数组，数组重复次数) a = np.arange(10).reshape(2,-1)###生成数组 b = np.repeat(1, 10).reshape(2,-1)###生成数组###生成数组 np.concatenate([a, b], axis=0)###连接函数，前者为要连接的array，axis默认为0，垂直连接。若axis为1，水平连接。 np.vstack([a, b])###垂直方向拼接数组 np.r_[a, b]###不改变列数，按行拼接 np.concatenate([a, b], axis=1)###水平方向拼接数组 np.hstack([a, b])###水平方向拼接数组 np.c_[a, b]###不改变函数，按列拼接 a = np.array([1,2,3,2,3,4,3,4,9,5])###生成数组 b = np.array([7,2,10,2,7,4,9,4,9,8])###生成数组 np.intersect1d(a,b)###查找数组中相同的元素 np.setdiff1d(a,b)###删除a中有，但b中也有的元素 np.where(a==b)###找出a和b中相同元素的位置，前提两个数组中元素个数必须相同 np.where((a>=5)&(a<=10))###查找大于等于5并且小于等于10的元素 np.where(np.logical_and(a>=5, a<=10))###同上 arr = np.arange(9).reshape(3,3)###生成数组 arr[[2,1,0],:]###改变数组行位置 arr[:,[1,2,0]]###改变数组列位置 arr[::-1]###翻转二维数组的行 arr[:,::-1]###翻转二维数组的列 rand_arr = np.random.random([5,3]) np.set_printoptions(precision=3)###设置打印参数，precision可以规定打印小数点后几位
逻辑运算
data20 = np.random.normal(0,0.2,(4,5))###生成平均分布数组 print('data20:',data20) print('判断涨幅是否大于0.1，是则True，否则False： ',data20 > 0.1) data20[data20 > 0.1] = 1.5###布尔索引以及操作 print('data20',data20) print('np.all用法：',np.all(data20>0.1))###传入一组布尔值，数组中只要有一个是False则返回False，全是True返回True print('np.any用法：',np.any(data20>0.1))###传入一组布尔值，数组中只要有一个是True则返回True，全是False返回False ###三元运算符np.where print('np.where用法：',np.where(data20>0.2,1,0))###np.where(判断条件，True值，False值) ###复合逻辑运算np.logical_and和np.logical_or print('np.logical_and用法：',np.logical_and(data20>0,data20<0.5))###筛选大于0并且小于0.5的元素 print('np.logical_or用法：',np.logical_or(data20>0.5,data20<0.8))###筛选大于0.5或者低于0.8的元素
运行结果参考：
data20: [[ 5.812e-02 -2.305e-01 -4.702e-01 1.898e-01 8.838e-02] [ 1.626e-01 3.250e-03 -1.356e-01 -1.514e-01 1.343e-01] [-3.071e-02 -2.933e-02 1.320e-01 -1.521e-01 6.943e-02] [ 2.776e-01 -8.821e-05 -4.295e-02 2.106e-01 1.786e-01]] 判断涨幅是否大于0.1，是则True，否则False： [[False False False True False] [ True False False False True] [False False True False False] [ True False False True True]] data20 [[ 5.812e-02 -2.305e-01 -4.702e-01 1.500e+00 8.838e-02] [ 1.500e+00 3.250e-03 -1.356e-01 -1.514e-01 1.500e+00] [-3.071e-02 -2.933e-02 1.500e+00 -1.521e-01 6.943e-02] [ 1.500e+00 -8.821e-05 -4.295e-02 1.500e+00 1.500e+00]] np.all用法： False np.any用法： True np.where用法： [[0 0 0 1 0] [1 0 0 0 1] [0 0 1 0 0] [1 0 0 1 1]] np.logical_and用法： [[ True False False False True] [False True False False False] [False False False False True] [False False False False False]] np.logical_or用法： [[ True True True True True] [ True True True True True] [ True True True True True] [ True True True True True]]
统计运算
temp = np.random.uniform(1,-0.5,(4,4))###生成数组 np.max(temp,axis=0)###求数组中最大值，若不加axis则求所有元素最大值，axis=0求出每列最大值，axis=1或-1求出每行最大值 np.min(temp,axis=0)###求数组中最小值，若不加axis则求所有元素最小值，axis=0求出每列最小值，axis=1或-1求出每行最小值 np.mean(temp)###求平均值 np.median(temp)###求中位数 np.var(temp)###求方差 np.std(temp)###求标准差
数组间运算
###数组与数之间的运算,每个元素都与之进行运算 array = np.arange(5) array + 1 array * 2 array / 2 ###数组与数组之间的运算 ###广播机制，为了方便不同形状的数组之间运算（当操作两个数组时，numpy会逐个比较它们的形状。只有在维度相同或者形状对应位置有一个是1才能进行运算） ###能进行运算的数组 a = np.arange(6).reshape(2,3)###两行三列 b = np.arange(2).reshape(2,1)###两行一列 a + b###两个数组中，分别满足相同维度行，对应有一列为1，所以可以进行运算