Numpy Study 1

Numpy 使用1

1、Numpy创建数组

import numpy as np

创建数组有以下方式：

(1).arange

numpy.arange([start, ]stop, [step, ]dtype=None)

np.arange(12)

np.arange(1, 10, 2):  1 3 5 7 9

np.arange(12).reshape(3,4)

np.arange(12).reshape( (3,4) )

(2).zeros ones empty 这3个类似的

numpy.zeros(shape, dtype=float, order='C')

numpy.ones(shape, dtype=None, order='C')

numpy.empty(shape, dtype=float, order='C')

np.zeros ((3,4))

np.zeros ((3,4), dtype=np.int16)

(3).linspace

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

np.linspace(1, 10, 10):   1 2 3 --- 10

注意：

输入数组shape的时候，都输入 (rows, cols) 是OK的。当数组为一维数组时，可以只输入一个数 m，也可以输入 (m)

另外注意 arange是类似python中的range， arange与linspace不同！

 

2、Numpy数组运算

(1). * 和 dot区别 *是每个元素运算，dot是矩阵乘法运算

*是 elementwise product

dot是matrix product

*是元素计算， dot是矩阵计算

(2).类型转换 自动转向高精度类型转换

(3).sum求和 可以指定axis（轴）

3、Numpy全局函数 exp sqrt conj 全局函数都是对每个元素操作

a=np.arange(12).reshape((3,4))

np.sum(a,axis=0)

axis使用：

numpy的第一维是列，第二维是行。

axis=0，按照 列 计算。

axis=1，按照 行 计算。

axis=None，对所有元素计算。

3、Numpy 索引 切片 迭代

类似python中的list。

对于一维数组 可以[2] [2:5] [:6:2] [::-1]

对于多维数组 可以 [ra:rb, cm:cn] a行到b行，m列到n列

若多维数组，第一个索引为数组的索引

如A = np.arange(12).reshape((3, 4))

A[0]表示第一行 或者写为 A[0, :]

A[:, 0]表示第一列

对A迭代遍历  for row in A 遍历每一行

A.flat表示对A所有数据进行遍历

4、Numpy 形状操作

shape   ravel（将矩形变成一维） a.shape=(2,6)  a.T转置

a.resize() a.reshape() 功能基本一样，reshape比resize的参数多一个。reshape的参数可以给-1，参数自动计算。

resize 对自身矩阵进行操作

reshape 返回新的矩阵

5、Numpy 矩阵堆叠  矩阵分割

vstack  垂直排列

hstack  水平排列

vsplit hsplit

6、Numpy 矩阵拷贝 和 可视化

（1）、不拷贝

a=np.range(12)

b=a   b.resize( (3,4) )  a.resize( (6,2) )  ====>  b is a == True

（2）、浅拷贝

s = a[:, 1:3]

s[:]=10 改变a的值

（3）、深拷贝

d=a.copy()

7、Numpy 数组索引

a = np.arange(12)**2
i = np.array( [ 1,1,3,8,5 ] )
a[i]
j = np.array( [ [ 3, 4], [ 9, 7 ] ] )
a[j]
a = np.arange(12).reshape(3,4)
b = a > 4
a[b]  只有b为True的元素

8、Numpy 画图

直方图

plt.hist(v, bins=50, normed=1)

matplotlib 和 numpy略有不同

9、Numpy 线性代数