Numpy学习1

NumPy学习（1）

参考资料：

1. http://www.cnblogs.com/zhanghaohong/p/4854858.html
2. http://linusp.github.io/2016/02/25/creation-and-io-of-ndarray.html

数组的创建
数组属性
数组元素获取-普通索引、切片、布尔索引、花式索引
统计函数与线性代数运算
随机数的生成

NumPy数组:NumPy数组是一个多维数组对象，称为ndarray。

数组的创建

一维数组的创建【随机、list、tuple】

In [15]: import numpy  as np    #导入numpy包

##创建一个10个随机数的列表
In [16]: ls1=range(10)          #生成一个10个随机数的列表
In [17]: ls1
Out[17]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
In [18]: type(ls1)              #查看类型
Out[18]: list


In [19]: ls2=np.arange(10)     #np.arrange(10,100,10) #生成一个随机数的一维数组
In [20]: ls2
Out[20]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [21]: type(ls2)
Out[21]: numpy.ndarray          #类型为数组


In [24]: arr1 = np.array([1,2,3,4])     #从list对象中创建数组
In [25]: arr1
Out[25]: array([1, 2, 3, 4])
In [26]: type(arr1)
Out[26]: numpy.ndarray


In [27]: arr2 = np.array((1,2,3,4))     #从tuple中创建数组
In [28]: arr2
Out[28]: array([1, 2, 3, 4])
In [29]: type(arr2)
Out[29]: numpy.ndarray

二维数组的创建【列表套列表、元组套元组】

In [30]: arr3 = np.array([[1,2,3],[4,5,6],[7,8,9]]) #列表中套列表的方式创建
In [31]: arr3
Out[31]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
In [32]: type(arr3)
Out[32]: numpy.ndarray


In [33]: arr4 = np.array(((1,2,3),(4,5,6),(7,8,9)))     #元组套元组的方式创建
In [34]: arr4
Out[34]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
In [36]: type(arr4)
Out[36]: numpy.ndarray

几种特殊的数组【zeros、ones、empty】

In [42]: arr5=np.zeros(5)   #返回5个0的一维数组
In [43]: arr5
Out[43]: array([ 0.,  0.,  0.,  0.,  0.])
In [44]: arr6=np.zeros((3,6))   #返回全为03x6的二维数组
In [45]: arr6
Out[45]: 
array([[ 0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.]])


In [46]: arr7=np.ones(5)        #返回5个1的一维数组
In [47]: arr7
Out[47]: array([ 1.,  1.,  1.,  1.,  1.])
In [48]: arr8=np.ones([2,4])    #返回2x4的二维数组
In [49]: arr8
Out[49]: 
array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])


In [50]: arr9=np.empty(4)       #返回4个全为0的一维数组
In [51]: arr9
Out[51]: array([ 0.,  0.,  0.,  0.])
In [52]: arr10=np.empty((3,5))      #返回全为0的数组不安全，一般返回的事未初始化的垃圾值
In [53]: arr10
Out[53]: 
array([[  0.00000000e+000,   6.79335389e-314,   0.00000000e+000,
          1.27319747e-313,   1.27319747e-313],
       [  1.27319747e-313,   2.96439388e-323,   1.90979621e-313,
          0.00000000e+000,   5.92878775e-323],
       [  3.18299369e-313,   0.00000000e+000,   8.89318163e-323,
          6.95038501e-310,   6.32404027e-322]])
          
          

可以使用dtype来指定ndarray的数据类型，如
In [54]: arr1=np.array([1,2,2,3],dtype=np.float64)
In [55]: arr1
Out[55]: array([ 1.,  2.,  2.,  3.])
In [56]: arr1.dtype
Out[56]: dtype('float64')

数组的属性与数组的函数

属性

In [57]: arr3
Out[57]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
In [58]: arr3.shape #shape返回数组的行数和列数
Out[58]: (3, 3)


In [59]: arr3.ndim      #ndim返回数组的维数
Out[59]: 2


In [61]: arr3.dtype     #dtype返回数组元素数据类型
Out[61]: dtype('int64')

In [62]: arr3.ravel()    #ravel()方法将数组拉直（多维数组降成一维数组）
Out[62]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])


In [65]: arr3.size      #size返回数组的个数
Out[65]: 9


In [66]: arr3.T         #数组的转置
Out[66]: 
array([[1, 4, 7],
       [2, 5, 8],
       [3, 6, 9]])

函数

In [20]: arr1=np.array(((1,2,3),(4,5,6),(7,8,9)))
In [21]: arr1
Out[21]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
In [22]: len(arr1)      #查看数组行数
Out[22]: 3


In [21]: arr1
Out[21]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
In [28]: arr2 
Out[28]: 
array([[1, 2],
       [3, 4],
       [5, 6]])
In [30]: arr3 = np.hstack((arr1,arr2))  #hstack横向数组拼接，数组行数必须相同

In [31]: arr3
Out[31]: 
array([[1, 2, 3, 1, 2],
       [4, 5, 6, 3, 4],
       [7, 8, 9, 5, 6]])
      
       
In [27]: arr1
Out[27]: 
array([[5, 6],
       [7, 8]])
In [28]: arr2 
Out[28]: 
array([[1, 2],
       [3, 4],
       [5, 6]])
In [34]: arr4=np.vstack((arr1,arr2))    #vstack纵向拼接，必须列数相同

In [35]: arr4
Out[35]: 
array([[5, 6],
       [7, 8],
       [1, 2],
       [3, 4],
       [5, 6]]
       
       
In [37]: arr1 = np.arange(21)
In [38]: arr1
Out[38]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20])
In [39]: arr2=arr1.reshape(3,7) #设置数组行数和列数
In [40]: arr2
Out[40]: 
array([[ 0,  1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12, 13],
       [14, 15, 16, 17, 18, 19, 20]])       
In [43]: b = arr2.tolist()      #数组转换成列表
In [44]: b
Out[44]: 
[[0, 1, 2, 3, 4, 5, 6],
 [7, 8, 9, 10, 11, 12, 13],
 [14, 15, 16, 17, 18, 19, 20]]       
In [45]: arr2.dtype
Out[45]: dtype('int64')       
In [46]: arr3=arr2.astype(float）   #转换数据类型
Out[57]: dtype('float64')   
       

数组元素的获取

一维数组元素的获取

In [52]: arr = np.arange(10)
In [53]: arr
Out[53]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [54]: arr[3]     #获取第4个元素
Out[54]: 3

In [55]: arr[5:8]   #获取第6,7,8三个元素。左闭右开
Out[55]: array([5, 6, 7])

二维数组的获取

In [57]: arr1 = np.array([[1,2],[3,4],[5,6]])
In [58]: arr1
Out[58]: 
array([[1, 2],
       [3, 4],
       [5, 6]])
In [60]: arr1[2]    #获取第三行的元素
Out[60]: array([5, 6])

In [61]: arr1[:2]       #获取前两行元素
Out[61]: 
array([[1, 2],
       [3, 4]])
 
In [62]: arr1[:,1]      #获取第二列的元素
Out[62]: array([2, 4, 6])   

In [66]: arr1[:,[0,1]]  #获取数组第一列和第三列的元素
Out[66]: 
array([[1, 2],
       [3, 4],
       [5, 6]])

In [67]: arr1[0,1]  #获取第1行第二列对应的元素
Out[67]: 2

布尔索引

In [1]: import numpy as np
In [2]: names = np.array(['bob','joe','will','bob','will','joe','joe'])
In [3]: names
Out[3]: 
array(['bob', 'joe', 'will', 'bob', 'will', 'joe', 'joe'], 
      dtype='|S4')
In [8]: data = np.arange(28).reshape(7,4)
In [9]: data
Out[9]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27]])
In [14]: names == 'bob'
Out[14]: array([ True, False, False,  True, False, False, False], dtype=bool)
In [15]: data[names=='bob'] #返回所有为true的行或为bob的行
Out[15]: 
array([[ 0,  1,  2,  3],
       [12, 13, 14, 15]])
       
In [17]: data[names!='bob'] # !=bob的行
Out[17]: 
array([[ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27]])    
In [18]: data[names!='bob',3]  #配合切片，选第3列
Out[18]: array([ 7, 11, 19, 23, 27])       
In [19]: data[names!='bob'][:2,1:]  也可以这样配合切片
Out[19]: 
array([[ 5,  6,  7],
       [ 9, 10, 11]])       
In [23]: data[(names=='bob')|(names=='joe')]    #可以使用&（和）、|（或）之类的布尔算术运算符，注意加小括号
Out[23]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [12, 13, 14, 15],
       [20, 21, 22, 23],
       [24, 25, 26, 27]])       
       
       
In [24]: data[data<10]=0    #布尔型数组设置值
In [25]: data
Out[25]: 
array([[ 0,  0,  0,  0],
       [ 0,  0,  0,  0],
       [ 0,  0, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27]])       
       

花式索引

In [32]: arr=np.arange(32).reshape((8,4))
In [33]: arr
Out[33]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27],
       [28, 29, 30, 31]])
In [34]: arr[[4,3,0,6]]     #传入一个数组筛选行
Out[34]: 
array([[16, 17, 18, 19],
       [12, 13, 14, 15],
       [ 0,  1,  2,  3],
       [24, 25, 26, 27]])
In [35]: arr[[4,3,0,6],[0,3,1,2]]       #传入多个数组返回一个一维数组
Out[35]: array([16, 15,  1, 26])       
       

In [5]: arr=np.arange(32).reshape((8,4))
In [6]: arr
Out[6]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27],
       [28, 29, 30, 31]])
In [7]: arr[np.ix_([1,5,7,2],[0,3,1,2])]
Out[7]: 
array([[ 4,  7,  5,  6],
       [20, 23, 21, 22],
       [28, 31, 29, 30],
       [ 8, 11,  9, 10]]