科学技术库Numpy

一、生成矩形操作

1）numpy获取的数据是以  “，”  为分割的数据结构，来生成矩阵

注意：skip_header=1 去掉行首，即说明行

,Cao jin,,,python,--
,张二毛,,,IT,--
,三,,,python,--
,张大三,,,python,--
,二毛,,,运维,--

1.txt

import numpy
a = numpy.genfromtxt("1.txt",encoding='utf-8',delimiter=",",dtype=str)
print(type(a))      # 查看类型
print(a)                # 查看获取到的文档
print(help(numpy.genfromtxt))   # 查看该函数的帮助

获取数据.py

获得的结果

<class 'numpy.ndarray'>
[['' 'Cao jin' '' '' 'python' '2015-11-01']
 ['' '张二毛' '' '' 'IT' '2013-11-01']
 ['' '三' '' '' 'python' '2015-11-01']
 ['' '张大三' '' '' 'python' '2015-11-01']
 ['' '二毛' '' '' '运维' '2013-11-01']]

2）单独取值的操作

import numpy
a = numpy.genfromtxt("1.txt",encoding='utf-8',delimiter=",",dtype=str,skip_header=)  # skip_header= 去掉说明行
print(a)
print(a[,])   # 获取到第二行的，第6个值

2）列表生成矩阵

import numpy
verctor = numpy.array([,,,])     # 矩阵操作
print("==>verctor",verctor)
matrix = numpy.array([[,,],[,,],[,,]])     # 矩阵操作
print("==>matrix",matrix)

==>verctor [    ]
==>matrix [[   ]
 [  ]
 [  ]]

3）获取到行列数

import numpy
verctor = numpy.array([,,,])    # 特殊的行
print(verctor.shape)  #   (,)
matrix = numpy.array([[,,],[,,]])
print(matrix.shape)   #  (, )  意思是2行，每行3个元素，即2行3列
print(matrix.ndim)          # 2行3列，所以2个维度
print(matrix.size)          #  个元素
print(matrix.dtype.name)   #  int32 类型

4）对生成的矩阵数必须统一，如果有一个不是相应的类型，都将发生改变

import numpy
verctor = numpy.array([,,,4.0])
print(verctor)
print(verctor.dtype)

本来大都是int型，只因为传入了一个float行，都变成了float行

[. . . .]
float64

5）矩阵灵活的切片操作

import numpy
vector = numpy.array([,,,])
print(vector[:])  # [  ]   # 顾头不顾尾
matrix = numpy.array([[,,],[,,],[,,]])
print(matrix)
print(matrix[:,])   # [  ] 获取到每行的第3个元素，相当与获取到第三列
print(matrix[:,])  #[  ]  # 获取到的是这个列表的第1到最后的元素
print(matrix[:,])  #[  ]  # 获取到的是这个列表的第0到第1个元素
print(matrix[:,:])    # 获取到每行的前2列元素

二、矩阵的基本操作

1）判断矩阵里面的每一个值

import numpy
vector = numpy.array([,,,])
print(vector == )    # 判断里面的每一个值是否等于10
matrix = numpy.array([[,,],[,,],[,,]])
a = matrix ==        # 判断里面的每一个值是否等于10
print(a,type(a))

2）根据判断值，来进行获取值的操作

import numpy
vector = numpy.array([,,,])
equal_to_ten = (vector == )
print(equal_to_ten)
print(vector[equal_to_ten])     # 取出值为10的

matrix = numpy.array([[,,],[,,],[,,]])
second_column_25 = (matrix[:,] == )      # 先找到有15的那一行
print(second_column_25)
print(matrix[second_column_25])
a = matrix[second_column_25]
b = (a == )   # 获取到15的值
print(a[b])

3）&符号和 |

import numpy
vector = numpy.array([,,,])
equal_five_and_ten = (vector == ) & (vector == )     # 不可能存在
print(equal_five_and_ten)

vector2 = numpy.array([,,,])
equal_five_or_ten = (vector2 == ) | (vector2 == )
print(equal_five_or_ten)

4）更改矩阵的值

import numpy
vector = numpy.array([,,,])
equal_five_or_ten = (vector == ) | (vector == )
vector[equal_five_or_ten] =
print(vector)

5）类型的转换

import numpy
vector = numpy.array(["","",""])
print(vector.dtype)
print(vector)
vector = vector.astype(float)
print(vector.dtype)
print(vector)
vector = vector.astype(int)
print(vector)
print(vector.dtype)

6）取最小值，最大值，每行的和，及每列的和

import numpy
matrix = numpy.array([[,,],[,,],[,,]])
print(matrix)
print(matrix.min())
print(matrix.max())
# 按照行操作axis= ，按照列操作axis=
print(matrix.min(axis=))   # 计算每一行的最小值
print(matrix.sum(axis=))   # 计算每一行的和
print(matrix.sum(axis=))   # 计算每一列的和

7）平分数列

import numpy as np
print(np.arange())
a = np.arange().reshape(,)  # 等分成3行5列
print(a)
print(a.shape)
print(a.ndim)   # 因为是3行5列，所以维度为2。。
print(a.size)   # 计算有多少元素
print(a.dtype.name)     # int32   类型

8）初始化数据操作

import numpy  as np
a = np.zeros((,))     # 初始化操作，默认元素为0,且为float
print(a)

b = np.ones((,,),dtype=np.int32)
print(b)

c = np.arange(,,)
print(c)    # [   ]

9）.random随机数

import numpy  as np
a = np.random.random((,))
print(a)
# [[0.27278308 0.53345672 0.83729457]
#  [0.4760841  0.18489101 0.16778119]]

10）在起始值随机取数

import numpy  as np
from numpy import pi
a = np.linspace(,*pi,)     # 在起始值之间平均的找到这些数
print(a)

b = np.sin(np.linspace(,,))
print(b)

11）矩阵之间的加减乘除

import numpy  as np
a = np.array([,,,])
b = np.arange()
print(a)
print(b)
c = a - b
print(c)
print(a*b)
c = c -
print(c)
print(b**)
print(a<)

12）矩阵的混合运算

import numpy  as np
A = np.array([[,],[,]])
B = np.array([[,],[,]])
print(A)
print(B)
print("****************")
print(A*B)
print("dot dot dot dot")
print(A.dot(B))     # 或 print(np.dot(A,B))
#  ==>*+   ==> *+    ===> *+   ===> *+
# [[ ]
#  [ ]]

三、矩阵的基本函数

1）e次方计算，根号计算

import numpy  as np
B = np.arange()
print(B)
print(np.exp(B))    # 返回的是e的多少次方，e = 2.71828
print(np.sqrt(B))   # 开根号

2）矩阵的复制操作

使用 “=” 复制，完全一样。id也一样。深复制

import numpy  as np

a = np.arange()
b = a   # 在矩阵中，b和a 指向同一个内存地址，犹如创建了一个快捷方式
print(b is a)
print(b)
b.shape = ,
print(a.shape)
print(id(a))
print(id(b))

使用“a.view()” 复制，浅复制，共用数据。在修改数据的时候，相应的都会发生变化

import numpy  as np

a = np.arange()
c = a.view()    # 浅复制。公用数据
print(a)
print(c)
print(c is a)
c.shape = ,
print(a)
print('#######')
c[,] =    # 对某一个元素的修改，会影响到原来的元素
print(c)
print('#######')
print(a)

使用“a.copy()” 复制，完全将数据复制了一份。复制的数据和之前的数据已经脱离了关系。推荐使用

import numpy  as np

a = np.arange()
d = a.copy()
print(d is a)
d[] =
print(d)
print(a)

3）矩阵的常用方法

import numpy  as np

b = np.random.random((,))
print(b)
print('********')
a = np.floor(b*)  # floor 向下的取整
print(a)
print('-----------')
print(a.ravel())    # ravel 把一个矩阵撑长
print('============')
a.shape = (,)     # 变成了6行2列的矩阵
print(a)
print('$$$$$$$')
print(a.T)          # 行列对换，变成了2行6列

矩阵之间的合并操作

import numpy  as np

a = np.floor(*np.random.random((,)))
b = np.floor(*np.random.random((,)))
print(a)
print('-----------')
print(b)
print('===========')
print(np.vstack((a,b)))     # 同样的特征合并操作
print('***********')
print(np.hstack((a,b)))     # 不同的特殊合并操作

切割矩阵，按行切，按列切

import numpy  as np

a = np.floor(*np.random.random((,)))
print(a)
print('-----------')
print(np.hsplit(a,))   # 平均按列切3刀，分成3份array
print(np.hsplit(a,(,)))   # 在3和4 这个位置按列分别切一刀
b = np.floor(*np.random.random((,)))
print(b)
print(np.vsplit(b,))       # 平均按行切3刀，分成3份array

寻找最大值

import numpy  as np
date = np.sin(np.arange()).reshape(,)
print(date)
print("==============")
ind = date.argmax(axis = ) # 按列寻找，寻找到最大数的 id 号
print(ind)
print("==============")
date_max = date[ind,range(date.shape[])]   # 根据列，找到id号对应的最大值
print(date_max)

把一维矩阵复制成多份

import numpy  as np
a = np.arange(,,)
print(a)
b = np.tile(a,(,))    # 把a 元素复制成2行2列
print(b)

排序，值的大小排序，值的索引值进行排序

import numpy  as np
a = np.array([[,,],[,,]])
print(a)
b = np.sort(a,axis=)   # 排序
print(b)
print("=========")
a = np.array([,,,])
j = np.argsort(a)   # 根据索引值的大小进行排序
print(j)

四、总结

a = numpy.genfromtxt("1.txt",encoding='utf-8',delimiter=",",dtype=str)  # 从文件解析陈矩阵
a = numpy.genfromtxt("1.txt",encoding='utf-8',delimiter=",",dtype=str,skip_header=)    # skip_header= 去掉第一行，说明行
matrix = numpy.array([[,,],[,,],[,,]])     # 列表矩阵操作
matrix.shape   #  获取到矩阵的行列数
print(matrix[:,])  # 切片操作
===============================
vector = numpy.array([,,,])
equal_to_ten = (vector == )
print(vector[equal_to_ten])     # 取值操作
vector.min()    # 取最小值
vector = numpy.array(["","",""])
vector = vector.astype(float)  # 类型转换
np.arange().reshape(,)     # 等分成3行5列
print(a.shape)
np.arange(,,)      # 初始化数据
floor 向下的取整
ravel 把一个矩阵撑长
a.shape = (,)     # 变成了6行2列的矩阵
a.T             # 行列对换，变成了2行6列
np.vstack((a,b))     # 同样的特征合并操作
np.hstack((a,b))     # 不同的特殊合并操作
np.hsplit(a,)       # 平均按列切3刀，分成3份array
np.hsplit(a,(,))   # 在3和4 这个位置按列分别切一刀
np.vsplit(b,))       # 平均按行切3刀，分成3份array
b = a               # 矩阵中，a 和 b 完全一样，共用内存地址
c = a.view()        # 不推荐使用，浅复制。共用数据。只在修改数据的时候发生了变化
d = a.copy()        # 推荐使用，复制了，原来的数据和现在的数据已经没有关系了
date.argmax(axis = ) # 按列寻找，寻找到最大数的 id 号
date[ind,range(date.shape[])]   # 根据列，找到id号对应的最大值
np.tile(a,(,))    # 把a 元素复制成2行2列
np.sort(a,axis=)   # 按行排序
np.sort(a,axis=)   # 值的大小排序
np.argsort(a)   # 根据索引值的大小进行排序