Numpy Quickstart tutorial

　　此文是关于Numpy的一些基本用法， 内容来源于Numpy官网：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

1.The Basics

1)导入numpy

import numpy as np

2)创建一个0--14的数组a， 并将其变为3行5列的二位数组

a = np.arange(15).reshape(3, 5)
a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

3)查看a的形状

a.shape
(3, 5)

4)查看a的维数

a.ndim
2

5)查看a中元素的数据类型

a.dtype
dtype('int64')

6)查看数组中每个元素的字节大小

a.itemsize
8

7)查看数组a中所有元素的总个数

a.size
15

8)查看a的类型， 结果显示a是一个numpy数组

type(a)
numpy.ndarray

2.Array Creation

1)可以把一个python列表直接转为numpy数组

a = np.array([2,3,4])
a
array([2, 3, 4])

一个常见的错误是不能直接把元素放入函数小括号内， 需要单独的一个中括号包含着这些元素。

a = np.array(1,2,3,4)    # WRONG
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-15-90a21e8c09d8> in <module>()
----> 1 a = np.array(1,2,3,4)    # WRONG

ValueError: only 2 non-keyword arguments accepted

a = np.array([1,2,3,4])  # RIGHT
a
array([1, 2, 3, 4])

2)创建元素为0的数组

np.zeros( (3,4) )
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

3)创建元素为1的数组

np.ones( (2,3,4), dtype=np.int16 )
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]], dtype=int16)

4)创建一个空数组

np.empty( (2,3) )
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

5)设定区间， 并按照一定间隔创建数组

np.arange( 10, 30, 5 )
array([10, 15, 20, 25])

np.arange( 0, 2, 0.3 )
array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])

6)在0到2之间均匀的生成9个数作为数组

from numpy import pi
np.linspace( 0, 2, 9 )
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])

3.Basic Operations

1)两个数组的元素相加减

a = np.array( [20,30,40,50] )
b = np.arange( 4 )
b
array([0, 1, 2, 3])

c = a-b
c
array([20, 29, 38, 47])

2)数组的2次幂

b**2
array([0, 1, 4, 9])

10*np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])

3)对数组内元素与一常量比较大小， 返回一个布尔数组

a<35
array([ True,  True, False, False], dtype=bool)

4)两个数组的元素间相乘

A = np.array( [[1,1],[0,1]] )
B = np.array( [[2,0],[3,4]] )
A*B
array([[2, 0],
       [0, 4]])

5)两个数组矩阵点乘， 有两种方法， 得到的结果是相同的。

A.dot(B)
array([[5, 4],
       [3, 4]])

np.dot(A, B)
array([[5, 4],
       [3, 4]])

6)数组的求和、最大值、最小值

a = np.random.random((2,3))
a
array([[ 0.76423426,  0.45623695,  0.65700409],
       [ 0.75365929,  0.13244614,  0.23917196]])

a.sum(), a.max(), a.min()
(3.0027526935349194, 0.76423426042527243, 0.13244614149075928)

4.Indexing, Slicing and Iterating

1)一维数组的索引与切片

a = np.arange(10)**3
a
array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])

# a的第三个元素
a[2]
8

# a的第三到第五个元素
a[2:5]
array([ 8, 27, 64])

# a的从0到6个元素中， 索引能被2整除的都替换为-1000
a[:6:2] = -1000
a
array([-1000,     1, -1000,    27, -1000,   125,   216,   343,   512,   729])

# 将a反转
a[ : :-1]
array([  729,   512,   343,   216,   125, -1000,    27, -1000,     1, -1000])

2)多维数组的索引与切片

def f(x,y):
    return 10*x+y

b = np.fromfunction(f,(5,4),dtype=int)
b
array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23],
       [30, 31, 32, 33],
       [40, 41, 42, 43]])

b[2,3]
23

b[0:5, 1]
array([ 1, 11, 21, 31, 41])

b[-1]
array([40, 41, 42, 43])

# 将数组展开
b.flatten()、
array([ 0,  1,  2,  3, 10, 11, 12, 13, 20, 21, 22, 23, 30, 31, 32, 33, 40, 41, 42, 43])

3)数组拼接

a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
a
array([[ 4.,  7.],
       [ 9.,  2.]])

b
array([[ 8.,  1.],
       [ 9.,  5.]])

# 竖向拼接
np.vstack((a,b))
array([[ 4.,  7.],
       [ 9.,  2.],
       [ 8.,  1.],
       [ 9.,  5.]])

# 横向拼接
np.hstack((a,b))
array([[ 4.,  7.,  8.,  1.],
       [ 9.,  2.,  9.,  5.]])

# 横向拼接
np.column_stack((a,b))
array([[ 4.,  7.,  8.,  1.],
       [ 9.,  2.,  9.,  5.]])

4) 将数组分成几个小数组

a = np.floor(10*np.random.random((2,12)))
a
array([[ 2.,  3.,  2.,  4.,  2.,  1.,  5.,  4.,  4.,  2.,  0.,  3.],
       [ 9.,  2.,  0.,  2.,  8.,  3.,  6.,  2.,  7.,  2.,  2.,  6.]])

np.hsplit(a,3)   # Split a into 3
[array([[ 2.,  3.,  2.,  4.],
        [ 9.,  2.,  0.,  2.]]), array([[ 2.,  1.,  5.,  4.],
        [ 8.,  3.,  6.,  2.]]), array([[ 4.,  2.,  0.,  3.],
        [ 7.,  2.,  2.,  6.]])]

np.hsplit(a,(3,4))   # Split a after the third and the fourth column
[array([[ 2.,  3.,  2.],
        [ 9.,  2.,  0.]]), array([[ 4.],
        [ 2.]]), array([[ 2.,  1.,  5.,  4.,  4.,  2.,  0.,  3.],
        [ 8.,  3.,  6.,  2.,  7.,  2.,  2.,  6.]])]