numpy学习Ⅱ

今天有空再把numpy看一下，补充点不会的，再去看matplotlib

---

回顾之前笔记，发现之前的numpy学习Ⅰ中关于numpy的行、列、维可能表述有点不清晰，这里再叙述一下

import numpy as np
c = np.array([[[1,2],[1,2]],[[1,2],[0,0]],[[3,4],[5,6]],[[7,8],[9,0]]])
print("c:",c)
print("c.ndim:",c.ndim)
print("c.shape:",c.shape)

这里我们可以看成c有4个平面，每个平面2*2规模，实际上的维度为3

c: [[[1 2]
  [1 2]]

 [[1 2]
  [0 0]]

 [[3 4]
  [5 6]]

 [[7 8]
  [9 0]]]
c.ndim: 3
c.shape: (4, 2, 2)

上次学习了np.dtype创建新的数据类型，理解是理解了，但是过了一星期忘了怎么写，这里先回顾一下

当我们在numpy中创建自己的np.array，并且指定数据类型时，就需要使用np.dtype，首先看最简单的

1. 直接使用dtype类型

import numpy as np
sex = np.dtype('int32')
a = np.array([1,2,3,4],dtype=sex)
print("sex:",sex)
print("a:",a)

sex: int32
a: [1 2 3 4]

也就是说我们指定sex的类型为int32类型，并且我们创建新的ndarray时指定数据类型

同时，int32我们可以用'i4'来代替

1. 在最基础类型上，使用简写替代

import numpy as np
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i4')
print("dt:",dt)
b = np.array([5,6,7,8],dtype=dt)
print("b:",b)

dt: int32
b: [5 6 7 8]

这时候我们想使用结构化数据类型了

1. 结构化，好处是可以到时候通过结构再调用(我猜的)

# 类型字段名可以用于存取实际的 age 列
import numpy as np
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print("a:",a)
print("虽然我也很想直接使用a.age，但这里只能使用a['age']:",a['age'])

a: [(10,) (20,) (30,)]
虽然我也很想直接使用a.age，但这里只能使用a['age']: [10 20 30]

学到这里时再总结一下，np.array创建数组时，传入的是一个列表，或者说是张量，然后数组中每一行的列数对应我们创建数据类型的个数，听起来很绕，看下面的例子

1. 创建复杂类型结构化数据

import numpy as np
student = np.dtype([('name','U2'), ('age', 'i4'), ('marks', 'f4')])
a = np.array([('abc', 21, 50.),('xyz', 18, 75.)], dtype = student)
print("studet:",student)
print("a:",a)
print("a['name']:",a["name"])
print("a['age']:",a['age'])
print("a['markd:']:",a["marks"])

studet: [('name', '<U2'), ('age', '<i4'), ('marks', '<f4')]
a: [('ab', 21, 50.) ('xy', 18, 75.)]
a['name']: ['ab' 'xy']
a['age']: [21 18]
a['markd:']: [50. 75.]

这里刻意写的U2，且原来的abc变成了ab，也可以试一下S3看一下结果

itemsize返回数组中每一个元素的大小

import numpy as np 

# 数组的 dtype 为 int8（一个字节）
x = np.array([1,2,3,4,5], dtype = np.int8)
print (x.itemsize)

# 数组的 dtype 现在为 float64（八个字节）
y = np.array([1,2,3,4,5], dtype = np.float64)
print (y.itemsize)

1
8

回头看的时候发现numpy有个创建等比数列的函数，这里思考了一下首先用普通函数的方法实现

def proportional(n,m):
    list1 = []
    for i in range(n):
        temp = m**i
        list1.append(temp)
    return list1

result = dengbi(10,1.5)
print(result)

[1.0, 1.5, 2.25, 3.375, 5.0625, 7.59375, 11.390625, 17.0859375, 25.62890625, 38.443359375]

然后logspace函数主要是起点、终点、数目，底数

import numpy as np
a = np.logspace(0,9,10,base=2)
print (a)

[  1.   2.   4.   8.  16.  32.  64. 128. 256. 512.]

在之前的numpy学习中，也学习了解了一些获取数组中元素的方法，但是很混乱，这里再次总结一下

1. 获取单个元素

import numpy as np
a = np.array([[[1,2],[1,2]],[[3,4],[5,6]],[[7,8],[9,10]],[[11,12],[13,14]]])
print("a:",a)
print("a[0,0,0]:",a[0,0,0])
print("a[0][0][0]:",a[0][0][0])
print("a[1][1][1]",a[1][1][1])
print("合起来的a[0][0][0]和a[1][1][1]：",a[(0,1),(0,1),(0,1)])
print("合起来的a[0][0][0]和a[1][1][1]：",a[[0,1],[0,1],[0,1]])

这里现在掌握了这两种方法，花里胡哨的还没掌握

1. 获取行或者列

import numpy as np

a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
c = a[1:3,[1,2]]
d = a[...,1:]
print(b)
print(c)
print(d)

主要是通过:+,这样的组合来进行获取

1. 条件索引

import numpy as np 

x = np.array([[  0,  1,  2],[  3,  4,  5],[  6,  7,  8],[  9,  10,  11]])
print ('我们的数组是：')
print (x)
print ('\n')
# 现在我们会打印出大于 5 的元素
print  ('大于 5 的元素是：')
print (x[x >  5])

目前就先掌握这三种索引了

---

一开始并不清楚nditer是干嘛的，但当我遇到这个问题，遍历一个ndarray。numpy创建的数组是可迭代的，但是默认是按行进行，如果想一个一个进行输出，那么需使用nditer

import numpy as np

a = np.arange(6).reshape(2,3)
print ('原始数组是：')
print (a)
print ('\n')
print ('迭代输出元素：')
for x in np.nditer(a):
    print (x, end=", " )
print ('\n')

原始数组是：
[[0 1 2]
 [3 4 5]]

迭代输出元素：
0, 1, 2, 3, 4, 5,

---

numpy的迭代，弄懂了一些，但还是有一些不明白，先记录下来

import numpy as np

a = np.arange(0,60,5)
a = a.reshape(3,4)
print ('原始数组是：')
print (a)
print ('\n')
for x in np.nditer(a, op_flags=['readwrite']):
    x[...]=2*x
print ('修改后的数组是：')
print (a)

第一次接触到python的... 这里的... 表示如果a里面有1个元素，那么就补齐1个元素，如果有数组，那么就补齐数组

import numpy as np
d = np.array([[[i + 2*j + 8*k for i in range(3)] for j in range(3)] for k in range(3)])
print(d)
print(d[...,0])
print(d[0,...])
print(d[...,0,:])

这里是对不同维度进行切片

若想对不同维度进行最大值取值，可以用amax函数