numpy.ndarray常用属性和方法

import numpy as np

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

[[1 2 3]
 [4 3 2]
 [6 3 5]]

print(a.ndim)  # array的维度

2

print(a.dtype) # array元素的数据类型

int32

print(a.shape)  # array每个维度的大小

(3, 3)

print(a.T)    # array的转置

[[1 4 6]
 [2 3 3]
 [3 2 5]]

print(a.real)  # array每个元素的实部

[[1 2 3]
 [4 3 2]
 [6 3 5]]

print(a.imag)  # array每个元素的虚部

[[0 0 0]
 [0 0 0]
 [0 0 0]]

print(a.flat[1],a.flat[2:5]) # 将array变成一维的基础上对其进行索引

print(a)

a.flat[[1,4]]=8  # 将array对应位置的值进行改变

print(a)

2 [3 4 3]
[[1 2 3]
 [4 3 2]
 [6 3 5]]
[[1 8 3]
 [4 8 2]
 [6 3 5]]

b = a.tolist() # 将array变成python列表并返回

print(b)

[[1, 8, 3], [4, 8, 2], [6, 3, 5]]

c = a.copy()  # 拷贝array并返回，对得到array进行改变不会影响原来的array

c[1,1] = 100

print("c:",c)

print("a:",a)

print(id(c),id(a))

c: [[  1   8   3]
 [  4 100   2]
 [  6   3   5]]
a: [[1 8 3]
 [4 8 2]
 [6 3 5]]
1319291177280 1319291122112

d = a.view() # 将array的数据进行另外一个可视化，两者id不同，但进行修改时会影响

print(id(d),id(a))

d[1,1] = 200

print("d:",d)

print("a:",a)

a[1,1] = 150

print("d:",d)

print("a:",a)

1319291176960 1319291122112
d: [[  1   8   3]
 [  4 200   2]
 [  6   3   5]]
a: [[  1   8   3]
 [  4 200   2]
 [  6   3   5]]
d: [[  1   8   3]
 [  4 150   2]
 [  6   3   5]]
a: [[  1   8   3]
 [  4 150   2]
 [  6   3   5]]

a.fill(5) # 以指定的值填充array

print(a)

[[5 5 5]
 [5 5 5]
 [5 5 5]]

a = np.array([[1,3,5],[2,6,3],[9,6,4],[10,2,8]])

b = a.reshape((2,3,2))    # 在原数据的基础上改变维度，返回一个新array，不改变原来的array

print(a)

print(b)

[[ 1  3  5]
 [ 2  6  3]
 [ 9  6  4]
 [10  2  8]]
[[[ 1  3]
  [ 5  2]
  [ 6  3]]

 [[ 9  6]
  [ 4 10]
  [ 2  8]]]

c = b.transpose()    # 返回一个转置后的array，可以指定维度顺序，不改变原来的array

print(c,"\n================")

d = b.transpose(0,2,1)

print(d)

[[[ 1  9]
  [ 5  4]
  [ 6  2]]

 [[ 3  6]
  [ 2 10]
  [ 3  8]]]
================
[[[ 1  5  6]
  [ 3  2  3]]

 [[ 9  4  2]
  [ 6 10  8]]]

print(b)

e = b.flatten()     # 把array变成一维的

print(e)

f = b.ravel()

print(f)

[[[ 1  3]
  [ 5  2]
  [ 6  3]]

 [[ 9  6]
  [ 4 10]
  [ 2  8]]]
[ 1  3  5  2  6  3  9  6  4 10  2  8]
[ 1  3  5  2  6  3  9  6  4 10  2  8]

g = b.take([0,6])              # 通过索引获取array中的元素并返回新的array，可以通过axis参数指定维度

h = b.take([0,2],axis=1)

i = b.take(1,axis=0)

print(g,"\n===================")

print(h,"\n===================")

print(i)

[1 9]
===================
[[[1 3]
  [6 3]]

 [[9 6]
  [2 8]]]
===================
[[ 9  6]
 [ 4 10]
 [ 2  8]]

b = np.array([[[ 1,3],

  [ 5  ,2],

  [ 6  ,3]],

​

 [[ 9  ,6],

  [ 4 ,10],

  [ 2  ,8]]])

print(b,"\n============================")

b.sort(axis=0)          

print(b,"\n============================")

b.sort(axis=1)

print(b,"\n============================")

b = np.array([[[ 1,3],

  [ 5  ,2],

  [ 6  ,3]],

​

 [[ 9  ,6],

  [ 4 ,10],

  [ 2  ,8]]])

b.sort()

print(b)

"""

    sort进行排序时，可以通过axis指定维度，默认为最后一维，正序

    当指定axis=0时，在第一个维度上排序，本例中该维度上有2个部分。

    排序时，把两部分当做两个独立的array比较大小（元素位置一一对应），

    顺序不符合要求的进行交换。当axis=1时，在第二个维度上排序，

    此时不考虑外部第一个维度中两个部分的顺序，只分别对第二个维度上

    三个小array进行同样的排序

"""

print(b.max(axis=-1))      # 返回最大值，最小值，不指定axis时，在所有元素中进行比较

print(b.max())

print(b.min())

[[ 3  5  6]
 [ 9 10  8]]
10
1

print(b.argmax(axis=1))   # 返回最大值，最小值的索引，不指定axis时，在所有元素中进行比较

print(b.argmin())

[[2 2]
 [0 1]]
0

print(b.ptp())           # 返回最大值，最小值的差值，不指定axis时，在所有元素中进行比较

print(b.ptp(axis=1))

9
[[2 3]
 [4 2]]

c = b.clip([2,7])  # 将array中所有元素限制在指定的大小范围，超出范围的用指定的边界值代替

print(c)

[[[ 2  7]
  [ 2  7]
  [ 3  7]]

 [[ 6  9]
  [ 4 10]
  [ 2  8]]]

a = np.arange(9).reshape(3,3)  #求array对角线上元素的和

print(a.trace())

b = np.arange(8).reshape(2,4)

print(b.trace())

12
5

a = np.floor(10*np.random.random((2,3,4)))

print(a)

print(a.sum())           # 求和

print(a.sum(axis=1))

[[[0. 0. 1. 8.]
  [0. 3. 0. 2.]
  [5. 3. 9. 8.]]

 [[9. 0. 1. 5.]
  [7. 6. 9. 6.]
  [7. 5. 6. 7.]]]
107.0
[[ 5.  6. 10. 18.]
 [23. 11. 16. 18.]]

a = np.floor(10*np.random.random((2,3)))

print(a)

print(a.cumsum())      # 求累加和

print(a.cumsum(axis=1))

[[7. 3. 1.]
 [6. 8. 8.]]
[ 7. 10. 11. 17. 25. 33.]
[[ 7. 10. 11.]
 [ 6. 14. 22.]]

a = np.floor(10*np.random.random((2,3)))

print(a)

print(a.mean())         # 求均值

print(a.mean(axis=1))

[[6. 6. 1.]
 [9. 8. 5.]]
5.833333333333333
[4.33333333 7.33333333]

a = np.floor(10*np.random.random((2,3)))

print(a)

print(a.var())        # 求方差

print(a.var(axis=1))

[[7. 0. 0.]
 [2. 0. 4.]]
6.805555555555557
[10.88888889  2.66666667]

a = np.floor(10*np.random.random((2,3)))

print(a)

print(a.std())      # 求标准差

print(a.std(axis=0))

[[9. 1. 1.]
 [6. 4. 1.]]
3.0368111930481
[1.5 1.5 0. ]

a = np.floor(10*np.random.random((2,3)))

print(a)

print(a.prod())          # 求积

print(a.prod(axis=0))

[[5. 7. 4.]
 [8. 9. 8.]]
80640.0
[40. 63. 32.]

a = np.floor(10*np.random.random((2,3)))

print(a)

print(a.cumprod())       # 求累积

print(a.cumprod(axis=1))

[[1. 1. 8.]
 [9. 6. 6.]]
[1.000e+00 1.000e+00 8.000e+00 7.200e+01 4.320e+02 2.592e+03]
[[  1.   1.   8.]
 [  9.  54. 324.]]

a = np.array([[1,0,2],[-1,3,5]])

print(a.all())                     # 所有元素都为True，返回True，否则返回Flase

a = np.array([[1,2,2],[-1,3,5]])

print(a.all())

False
True