1 import numpy as np 2 3 #关于创建数组 以及生成常见的数组 4 if 0: 5 #进行类型转换 6 if 0: #可以这样 它起到了注释的作用 7 arr = np.array([1, 3, 4, 5, 5], dtype=int) 8 arr = arr.astype('float') #将原有数据类型改为float 9 arr.fill(2.5) 10 11 print(arr) 12 print("arr的里面存放的数据类型：>>>") 13 print(arr.dtype) 14 15 #除了上面的用np.array() 生成数组以外， 16 #下面用np.arange()生成 17 18 19 #01生成整数序列： 20 if 0: 21 arr = np.arange(10) 22 print(arr) #[0 1 2 3 4 5 6 7 8 9] 23 24 arr2 = np.arange(1,10,3) #1-10 3 为步长 25 print(arr2) #[1 4 7] 26 #02 生成等差数列 27 elif 0: 28 arr = np.linspace(1,10,num=5) 29 print(arr) #[ 1. 3.25 5.5 7.75 10. ] 30 31 arr2 = np.linspace(1,10,5) 32 print(arr2) #[ 1. 3.25 5.5 7.75 10. ] 33 34 arr3 = np.linspace(1,10,endpoint=False) #endpoint 表示不包含最后一个 35 print(arr3) 36 # [1. 1.18 1.36 1.54 1.72 1.9 2.08 2.26 2.44 2.62 2.8 2.98 3.16 3.34 37 # 3.52 3.7 3.88 4.06 4.24 4.42 4.6 4.78 4.96 5.14 5.32 5.5 5.68 5.86 38 # 6.04 6.22 6.4 6.58 6.76 6.94 7.12 7.3 7.48 7.66 7.84 8.02 8.2 8.38 39 # 8.56 8.74 8.92 9.1 9.28 9.46 9.64 9.82] 40 #注意：此时没有写要生成几个，默认是生成50 个 41 42 arr4 = np.linspace(1,10,num=5,retstep=True) #retstep 是是否返回公差 43 #如果要返回公差的话此时返回的是个元组 44 print(arr4) #(array([ 1. , 3.25, 5.5 , 7.75, 10. ]), 2.25) 45 #03 生成随机数 46 elif 1: 47 arr = np.random.rand(10) #使用np.random下的函数rand()来生成10 个【0，1） 的随机数 48 print(arr) 49 50 arr2 = np.random.randn(10) #10 个服从标准正太分布的随机数 51 print(arr2) 52 53 arr3 = np.random.randint(1,10,5) #生成5个 【1，10） 的随机整数 54 print(arr3) 55 56 57 58 59 60 61 62 pass 63 64 else: 65 pass 66 67 #数组属性 68 if 0: 69 #查看类型 70 if 0: 71 72 a = np.array([1,3,4]) 73 print(type(a)) #<class 'numpy.ndarray'> 74 pass 75 76 #查看数组中的数据类型 77 elif 0: 78 79 a = np.array([1,3,4]) 80 print(a.dtype) #int32 81 82 pass 83 84 #查看形状 ，会返回一个元组,每个元素代表这一维 的元素数目 85 elif 0: 86 a = np.array([1,3,4]) 87 print(a.shape) #(3,) 88 89 b = np.arange(10).reshape(2,5) 90 print(b.shape) #(2, 5) 91 92 c = np.arange(12).reshape(2,2,3) 93 print(c) 94 print(c.shape) #(2, 2, 3) 行列分别是最后两个 2，2，3 的意思是2个2行3列 95 96 97 98 pass 99 100 #查看数组里面元素的数目 101 elif 0: 102 arr = np.array([1,2,3,4,5]) 103 print(arr.size) #5 104 pass 105 #查看数组的维度 106 elif 1: 107 arr = np.array([1,2,3,4,5]) 108 print(arr.ndim) #1 en :demensionality 维度 109 pass 110 111 #数组的索引和切片 112 if 0: 113 #切片的案例 :根据总票房来算每天的票房 114 if 0: 115 boxOffice =np.array([1222,1550,1899,3444,5666]) 116 #分析：每天的票房等于 117 #1550,1899,3444,5666 - 118 # 1222, 1550, 1899, 3444 119 everyday_boxOffice = boxOffice[1:] - boxOffice[:-1] 120 print(everyday_boxOffice) # [ 328 349 1545 2222] 121 else: 122 pass 123 124 #多维数组 及其属性 125 if 0: 126 # array 可以生成多维数组 127 if 0: 128 arr = np.array([[1,2,3,4],[3,4,5,6]]) 129 print(arr) 130 # [[1 2 3 4] 131 # [3 4 5 6]] 132 pass 133 #查看形状 134 if 0: 135 arr = np.array([[1, 2, 3, 4], [3, 4, 5, 6]]) 136 print(arr.shape) #(2, 4) 137 pass 138 #查看总的元素的个数 139 if 0: 140 arr = np.array([[1, 2, 3, 4], [3, 4, 5, 6]]) 141 print(arr.size) #8 142 pass 143 #查看维数 144 if 0: 145 arr = np.array([[1, 2, 3, 4], [3, 4, 5, 6]]) 146 print(arr.ndim) #2 147 pass 148 else: 149 pass 150 151 #多维数组索引 152 if 0: 153 #对于二维数组，可以传入两个数字来索引，第一个是第一个维度，第二个是第二个维度 154 if 0: 155 arr = np.array([list(range(10)),list(range(10,20))]) 156 print(arr) 157 print(arr[1,1]) 158 pass 159 #对于二维数组的赋值也是类似于上面 160 if 0: 161 pass 162 #还可以使用单个索引来索引一整行的内容 163 if 0: 164 arr = np.array([list(range(10)),list(range(10,20))]) 165 print(arr[1]) 166 pass 167 #还可以使用单个索引来索引一整列的内容 168 if 1: 169 arr = np.array([list(range(10)),list(range(10,20))]) 170 print(arr[:,1]) 171 pass 172 else: 173 pass 174 175 #注意：切片只是针对的是连续 或者登间隔的切片，要想实现任意位置的操作，要使用花式索引了 176 #多维数组的切片 177 if 0: 178 arr = np.array([list(range(5)) , list(range(5,10)) , list(range(10,15))]) 179 if 1: 180 print(arr) 181 #第一行最后两个数 182 print(arr[0,3:]) # [3 4] 183 #最后两行的最后两列： 184 print(arr[-2:,-2:]) 185 # [[8 9] 186 # [13 14]] 187 188 #得到第三列 189 print(arr[:,2]) #[ 2 7 12] 190 191 #每一维都支持切片规则，包括负索引，包括步长 192 # [lower:upper:step] 193 194 #取出1，3 行的奇数列 195 print(arr[::2,::2]) 196 197 pass 198 else: 199 pass 200 201 #切片是引用： 202 # 切片在内存中使用的引用机制，Python 并没有为arr1分配新的空间来存储它的值，就是改变来原来的数组的值 203 if 0: 204 if 0: 205 arr =np.array([1,2,3,4]) 206 arr1 =arr[:2] 207 print(arr1) 208 209 arr1[0] =-1 210 print(arr) #此时修改arr1 但是arr 的值也跟着改变 ，这样做的好处是对于大量的数组，不用复制大量的数据 211 212 #注意；这种现象在列表中是不存在的，列表中的 切片使用的不是这种机制。 213 if 0: 214 arr2 = [1,2,3,4] 215 arr3 = arr2[:2] 216 arr3[0]= -1 217 print(arr2) 218 219 220 #但是，如果不想跟着改变如何变，可以用copy()方法，此时就会申请一个新的内存 221 if 1: 222 arr = np.array([1,2,3,4]) 223 arr2 =arr[:2].copy() #此时就会将 真实的切片内容申请一个新的内存空间， 224 arr2[0] =-1 225 print(arr) 226 227 pass 228 229 230 # 切片只是针对的是连续 或者登间隔的切片，要想实现任意位置的操作，要使用花式索引了 231 if 0: 232 #一维花式索引 233 if 0: 234 arr = np.arange(0, 100, 10) 235 print(arr) #[ 0 10 20 30 40 50 60 70 80 90] 236 237 #花式索引需要指定索引位置 238 if 0: 239 idx = [1,2,-3] 240 print(arr[idx]) #[10 20 70] 241 #通过布尔数组来花式索引 242 if 1: 243 mask =np.array([1,2,3,0,1,0,0,1,2,0],dtype=bool) 244 print(mask) #[ True True True False True False False True True False] 245 print(arr[mask]) #[ 0 10 20 40 70 80] #这就是通过布尔数组进行花式索引 246 pass 247 #二维花式索引 248 if 1: 249 #对于二维花式索引，我们要给定行和列 的值 250 arr = np.array([[1,2,3],[2,3,4],[3,4,5]]) 251 print(arr) 252 if 0: 253 #获取次对角线上的数 254 print(arr[(0,1),(1,2)]) #[2 4] 255 256 #后两行的1，3，列 257 print(arr[-2:,(0,2)]) 258 # [[2 4] 259 # [3 5]] 260 pass 261 # 还是可以用布尔数组来进行花式索引 262 if 0: 263 mask = np.array([1,0,1],dtype=bool) 264 print(arr[mask,2]) #[3 5] 265 pass 266 pass 267 268 #与切片不同，花式索引返回的是原对象的一个复制而不是一个引用 269 270 #“不完全”索引 271 if 0: 272 arr = np.array([[1, 2, 3, 4], [3, 4, 5, 6],[1, 2, 3, 4], [3, 4, 5, 6]]) 273 print(arr) 274 # 只给出行索引时，返回整行 275 if 0: 276 print(arr[:3]) 277 #这时候也可以使用花式索引取出0，2，3 行 278 if 1: 279 print(arr[np.array([1,0,1,1],dtype=bool)]) 280 pass 281 pass 282 283 #where 语句 284 #where 函数会返回所有的非0 元素的索引 285 if 0: 286 #一维数组 287 if 1: 288 arr = np.array([1,2,3,4,5,9]) 289 #判断数组中的元素是否大于5 290 print(arr>5) #[False False False False False True] 291 292 #数组中所有大于3的元素的索引位置 293 #这时可以用where 函数了 294 print(np.where(arr>3)) #(array([3, 4, 5], dtype=int32),) 295 296 #也可以直接数组操作 297 print(arr[arr>3]) #[4 5 9] 298 #下面也可以 299 print(arr[np.where(arr>3)]) #[4 5 9] 300 pass 301 302 pass 303 304 305 #数组类型 306 if 0: 307 #类型转换 308 if 1: 309 arr = np.arange(10) 310 print(arr) 311 #使用asarray()函数 312 if 0: 313 ret = np.asarray(arr,dtype=float) 314 print(ret) #[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] 315 pass 316 #使用astype方法 317 if 1: 318 ret = arr.astype(float) 319 print(ret) #[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] 320 pass 321 pass 322 323 #数组操作： 324 if 0: 325 arr = np.array([1,20,2,43,1,34,34,23,34,535,45,23,2,1,64]) 326 # 数组排序 327 if 0: 328 #sort（）函数 329 if 0: 330 res = np.sort(arr) 331 print(res) 332 pass 333 #argsort（）函数 334 if 1: 335 #返回元素的索引位置 336 res = np.argsort(arr) 337 print(res) 338 pass 339 340 341 pass 342 343 #求和 344 if 0: 345 res = np.sum(arr) 346 print(res) 347 348 res = arr.sum() 349 print(res) 350 pass 351 352 #最值 353 if 0: 354 res = np.min(arr) 355 # 或用面向对象的方式书写 356 res = arr.min() 357 print(res) 358 359 res = np.max(arr) 360 res = arr.max() 361 print(res) 362 pass 363 364 #均值 365 if 0: 366 res = np.mean(arr) 367 res = np.average(arr) 368 res = arr.mean() 369 print(res) 370 pass 371 372 373 #标准差 374 if 0: 375 res = np.std(arr) 376 res = arr.std() 377 print(res) 378 pass 379 380 #相关系数矩阵 381 if 1: 382 arr2 = np.arange(15) 383 res = np.cov(arr,arr2 ) 384 # res = print(arr.size) 385 print(res) 386 # [[17828.26666667 98.64285714] 387 # [98.64285714 20.]] 388 pass 389 pass 390 391 392 #多维数组的操作 393 if 1: 394 arr = np.array([[1, 2, 3, 4], [3, 4, 5, 6],[1, 2, 3, 4], [3, 4, 5, 6]]) 395 #数组形状 396 if 0: 397 #改变原来数组的形状 398 if 0: 399 arr.shape = (2,8) #此时改变原有数组的形状 400 print(arr) 401 # [[1 2 3 4 3 4 5 6] 402 # [1 2 3 4 3 4 5 6]] 403 #与之对应的是不改变原有数组的形状 .reshape() 404 if 0: 405 res = arr.reshape((2,8)) 406 print(res) 407 print(arr) 408 pass 409 pass 410 411 #转置 412 if 0: 413 #使用.T 属性转置 414 if 0: 415 res = arr.T 416 print(res) 417 #使用 .transpose()进行 418 if 1: 419 res = arr.transpose() 420 print(res) 421 pass 422 423 #数组连接 424 if 0: 425 x = np.array([[1, 2, 3], [4, 5, 6]]) 426 y = np.array([[10, 20, 30], [40, 50, 60]]) 427 if 0: 428 res = np.concatenate((x,y)) #默认是按照axis = 0 来连接的 429 print(res) 430 431 res2 = np.concatenate((x,y),axis=1) #沿着第二维 进行连接 432 print(res2) 433 434 #注：因为x,y 的形状相同，ｘｙ还可以连接成一个三维的数组，但是concatenate 不提供这样的功能，可以如下方法做 435 res3 = np.array([x,y]) 436 print(res3) 437 438 #事实上，Numpy 提供了上面三种的情况的函数 439 # vstack 440 # hstack 441 # dstack 442 if 1: 443 res = np.vstack((x,y)) 444 print(res) 445 446 res2 = np.hstack((x,y)) 447 print(res2) 448 449 res3 = np.dstack((x,y)) 450 print(res3) 451 452 # res4 = np.array((x,y)) 453 # print(res4) 454 pass 455 pass 456 457 458 459 460 461 pass 462 463 #Numpy 内置函数 464 if 1: 465 #绝对值 466 np.abs() 467 #指数 468 np.exp() 469 #中值 470 np.median() 471 #累计和 472 np.cumsum() 473 474 #内置函数总结： 475 # https: // blog.csdn.net / nihaoxiaocui / article / details / 51992860?locationNum = 5 & fps = 1 476 477 pass
注：复制到编辑器中， 一点一点折叠着看