numpy学习（一）

numpy数据类型

# numpy创建对象，numpy创建的对象是n阶矩阵，类似python中列表的嵌套

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

结果：

array([[1, 2, 3, 4, 5],
       [2, 3, 4, 6, 5]])

ndarray的切片操作

格式：nd[start:end:step]

nd1 =[1,2,3,4,5,6,7,8,9,90]

#每隔三个取一个

nd1[::3]

#结果：[1, 4, 7, 90]

对三维数组进行切片

import matplotlib.pyplot as plt

data = Image.open("./timg.jpg")

plt.imshow(data)

data = np.array(data)

#第一维是行，第二维是列，第三维是像素

#颠倒第二维的顺序
data1 = data[::,::-1,:]

plt.imshow(data1)

如：

#查看数组的格式：shape

data1.shape

结果：(140, 121, 3)

对于数组中的值可以进行赋值

nd1 =[1,2,3,4,5,6,7,8,9,90]
nd1[3] = 10000
nd1

输出结果：

[1, 2, 3, 10000, 5, 6, 7, 8, 9, 90]

注意：numpy默认ndarray的所有元素的类型是相同的

如果传进来的列表中包含不同的类型，则统一为统一类型，优先级：str>float>int

使用np的routines常规函数创建

1.onces()和zeros()

np.ones(shape = (4,5)))

#创建数值为1的四行五列的数组

array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

nd0 = np.zeros(shape =(4,5,6))

创建数值为0的四行五列，六个元素的三维数组

2.np.full(shape,fill_value,dtype = None，order = "C")          #自定义数组

np.full(shape  = (4,5),fill_value = 3.14)

array([[3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14]])

3.np.eye(N,M = None,k = 0,dtype = float)

对角线为1，其他位置为0 的二维数组，若M为None，则默认M=N。

如：

e = np.eye(5)

e

array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

4.将一维或是二维数组转换成为矩阵使用matrix()

注意：只能是一维或是二维数组进行转化

m = np.matrix(e)
m

matrix([[1., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0.],
        [0., 0., 1., 0., 0.],
        [0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 1.]])
#矩阵

type(m)

结果显示：

numpy.matrixlib.defmatrix.matrix

5.在指定的间隔没返回一个均匀间隔的数（生成等差数列）

np.arrange(start,spot,endpoint = Ture,retstep = False,dtype = None)

如：

np.linspace(0,99,num = 100)              #在0~99之间生成100个数字的数组，相当于公差 为1的等差数列

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., 32., 33., 34., 35., 36., 37., 38.,
       39., 40., 41., 42., 43., 44., 45., 46., 47., 48., 49., 50., 51.,
       52., 53., 54., 55., 56., 57., 58., 59., 60., 61., 62., 63., 64.,
       65., 66., 67., 68., 69., 70., 71., 72., 73., 74., 75., 76., 77.,
       78., 79., 80., 81., 82., 83., 84., 85., 86., 87., 88., 89., 90.,
       91., 92., 93., 94., 95., 96., 97., 98., 99.]) 

np.arange(start,stop,step,dtype)             #在给定范围内生成等差数列、

如：np.arange(0,99,3)

array([ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48,
       51, 54, 57, 60, 63, 66, 69, 72, 75, 78, 81, 84, 87, 90, 93, 96])

np.random.randint(low,high = None,size =None,dtype ="l" )

如：

np.random.randint(0,150,size = (4,5))                                   # 在0~150之间随机生成4行5列的二维数组

array([[ 49, 149,  26, 140,  18],
       [ 18,  91,  97,  32,  34],
       [108, 101,  55,  48,  94],
       [ 34, 117, 113,  78,  67]])

生成一个标准的n维正态分布 即（生成的平均值为0，标准差为1的正态分布的数值）

np.random.randn(d0,d1,d2....dn)

如：

np.random.randn(10)

array([-0.11345673, -1.11331963, -0.96848249, -1.56695811,  0.81071585,
        0.46713518,  0.72475584, -0.35389568,  1.22464807, -0.30686513])

ndarray的属性

4个必须记住的参数：ndim：维度，shape：形状（各维度的长度），size：总长度

dtype:元素类型

如：data.shape

#查看数据的数据类型:dtype

data.dtype

结果：

dtype('uint8')

int8和uint8的区别：

int8即指：2**8，范围是：-128~127

uint8指：256个数，范围是：~256

ndarray的基本操作

1.索引

一维列表完全一致，多维时同理

df = np.random.randint(0,100,size = [3,3,3])
df

输出结果：

array([[[91, 31, 3],

array([[[91, 31,  3],
        [65, 65, 30],
        [33, 56, 91]],

       [[50,  5, 69],
        [30, 67, 57],
        [53, 13, 97]],

       [[24,  9,  7],
        [60, 59,  9],
        [96, 58, 23]]])

切片：df[0,0,2]
索引到第三维，索引三次

输出结果：80

#拿到第三位数据

df[0,0]
#索引到第二维，索引两次
输出结果：

array([91, 31,  3])
#拿到第二维数据

分析：先看是几维数组，然后想要所以到第几维就索引到第几维就行了

2.变形

使用reshape函数，注意参数是一个tuple！

如：

nd = np.random.randint(0,100,size = 10)
nd

输出结果：

array([28, 79, 17,  2, 68,  3, 92,  2, 35, 16])

nd.reshape(5,2)

输出结果：

array([[39,  0],
       [21, 26],
       [33, 29],
       [72, 23],
       [34, 77]])

nd.reshape(2,5)

输出结果：

array([[39,  0, 21, 26, 33],
       [29, 72, 23, 34, 77]])

注意：变形时是在数据够用的情况下进行变形

转置

在矩阵中，行变列，列变行

如：

data1 = Image.open("./wuxuanyi.jpg")
data

data2 = np.array(data1)

#将图片数据变成数组格式
wuxuanyi = data2.transpose([1,0,2])

#将行和列互换，使用函数transpose()
plt.imshow(wuxuanyi)

3.联级

np.concatenate()联级

需要注意的点

1.联级的参数是列表；一定需要加中括号，或是小括号

2.维度必须相同

3.形状相符

4.【重点】联级的方向默认位shape这个tuple的第一个值所代表的维度方向

5.可通过axis参数改变联级的方向

如：

data3 = np.concatenate((data2,data2),axis = 1)
plt.imshow(data3)

输出结果：

 np.hstack与np.vstack

水平级联和竖直级联，处理自己，进行维度的变更

data4 = np.vstack((data2,data2))
plt.imshow(data4)
data4.shape

4切片

切片与级联类似，三个函数完成切分工作

np.split：对数组进行切片（自定义切片方向）

np.vsplit：水平进行切片

np.hsplit：垂直进行切片

如：

a1,a2,a3 = np.split(a,indices_or_sections=(2,3),axis = 0)
display(a1,a2,a3)

indics_or_sections属性若给定的是一个整数N，则会沿着指定的轴将数据分隔成为等份的N个数组

若给定的是一个索引的元祖或是列表，切片函数会根据索引进行切片，

如：给定的如给定的缩影是（2,3），就是在index = 2，和index=3位置进行切割，在切时不包括当前索引的值

输出结果：

array([[1, 5, 7, 7, 2],
       [2, 5, 7, 8, 0]])

array([[3, 6, 8, 0, 4]])

array([[1, 3, 5, 3, 4]])

q1,q2,q3 = np.split(data2,indices_or_sections=3,axis = 2)

#将数据沿着第三个轴进行切片，切成等份的三组数据

#上边切割是按照图片的三原色进行切割的
q2.shape

#(140, 121, 1)

q2 = q2.reshape(140,-1)

#将一维的数据进行转换成为二维的数组，列和行是表示图片的宽和高
plt.imshow(q2,cmap = plt.cm.gray)

# 显示切割完后的图片，并给她附加灰色

a数组：

array([[1, 5, 7, 7, 2],
       [2, 5, 7, 8, 0],
       [3, 6, 8, 0, 4],
       [1, 3, 5, 3, 4]])

np.vsplit(a,indices_or_sections=4)

显示结果：

[array([[1, 5, 7, 7, 2]]),
 array([[2, 5, 7, 8, 0]]),
 array([[3, 6, 8, 0, 4]]),
 array([[1, 3, 5, 3, 4]])]

#在竖直方向上将原数组平均切割成为4等份

#水平方向同理

5.副本

可使用copy对数组创建副本

b = a.copy
display(id(a),id(b))

显示结果：两个数组的内存地址不一样，相当于python中的深拷贝

464370384

435125776