np.split(A, 4, axis=1)，np.hsplit(A, 4) 分割

A = np.arange(12).reshape((3, 4))    # 水平方向的长度是4

print(np.split(A, 4, axis=1))        # 参数必须是可均分的，vertically均分成四块，分垂直风向，相当于竖着切举证

print(np.array_split(A, 3, axis=1))  # 可以不必是均分的 2+1+1

print(np.vsplit(A, 3))               # vertical 分垂直方向

print(np.hsplit(A, 4))               # 分水平方向

a.copy() 深度复制

a = np.arange(4)

b = a          # a, b, c指向同样的地址内容

c = b

print(c is a)  # True  

b = a.copy()   # b是一个新的存储区域

print(b is a)  # False

1D one-dimensional

a = np.arange(0, 8, 2)

print(a)        # [0 2 4 6]

print(a.shape)  # (4,)

print(a[3])     # 6

2D two-dimensional

  • 方括号的深度为2
  • 访问具体数据的两种方法效果相同
b = np.arange(6).reshape(2, 3)

print(b)        # [[0 1 2]  [3 4 5]]

print(b.shape)  # (2, 3)

print(b[1][0])  # 3

print(b[1, 0])  # 3

3D three-dimensional

  • 方括号的深度为3
  • 访问具体数据的两种方法效果相同
c = np.arange(24).reshape(2, 3, 4)

print(c)

> [[[ 0  1  2  3]

>   [ 4  5  6  7]

>   [ 8  9 10 11]]

>  [[12 13 14 15]

>   [16 17 18 19]

>   [20 21 22 23]]]

print(c.shape)     # (2, 3, 4)

print(c[0, 1, 2])  # 6

print(c[0][1][2])  # 6

构造数组

  • np.ones((2, 3)), np.zeros((3, 4))


print(np.ones(2))

print(np.ones((2)))

print(np.ones((2,)))         # 一维时括号和逗号都可以省略

print(np.ones((2, 3)))

print(np.ones((2, 3, 4)))    # 全1
  • np.full((2, 2), 3)
print(np.full((2, 2), 3))    # 全3矩阵，[[3 3]  [3 3]]
  • np.eye(2)
print(np.eye(2))

print(np.eye((2)))     # 单位矩阵，只有对角非零且全为1的方正矩阵，括号可以省略
  • np.empty((2,3))
print(np.empty((2,3)))

print(np.empty_like(c))  # 空矩阵的内容由缓存状态决定
  • np.linespace(0, 10, num=5)
print(np.linspace(0, 10, num=5))  # [ 0.   2.5  5.   7.5 10. ]
  • np.random.random((2, 4, 5))
my_random_array = np.random.random(5)

my_random_array = np.random.random((5))

my_random_array = np.random.random((5,))  # 一维时括号和逗号都可以省略

print(my_random_array)  # [0.26326548 0.92779013 0.81319706 0.62325733 0.61494552]

my_random_array = np.random.random((1, 2))

print(my_random_array)  # [[0.73278507 0.12801832]]

维度对比 type() 和 np.shape()

  • print() python数组与numpy数组的输出形式不同，前者有逗号，后者没有逗号
print([[0, 1], [2, 3]][0][0])  # 0

print([[0, 1], [2, 3]][0])     # [0, 1]

print([[0, 1], [2, 3]])        # [[0, 1], [2, 3]]

print(np.array([[0, 1], [2, 3]][0][0]))  # 0

print(np.array([[0, 1], [2, 3]][0]))     # [0 1]

print(np.array([[0, 1], [2, 3]]))        # [[0 1] [2 3]]
  • type() python数组与numpy数组的类型不同
print(type([[0, 1, 2], [3, 4, 5]][0][0]))  # <class 'int'>

print(type([[0, 1, 2], [3, 4, 5]][0]))     # <class 'list'>

print(type([[0, 1, 2], [3, 4, 5]]))        # <class 'list'>

print(type(np.array([[0, 1, 2], [3, 4, 5]])[0][0]))  # <class 'numpy.int64'>

print(type(np.array([[0, 1, 2], [3, 4, 5]])[0]))     # <class 'numpy.ndarray'>

print(type(np.array([[0, 1, 2], [3, 4, 5]])))        # <class 'numpy.ndarray'>
  • np.shape()
print(np.shape(np.array([[0, 1, 2], [3, 4, 5]])[0][0]))   # ()

print(np.shape(np.array([[0, 1, 2], [3, 4, 5]])[0]))      # (3,)

print(np.shape(np.array([[0, 1, 2], [3, 4, 5]])))         # (2, 3)

print(np.random.random((2, 2)))  # [[0.09242512 0.31837721] [0.13707168 0.31265585]]

slice 切片

my_array = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]])

print(my_array)        # [[1 2 3 4 5] [6 7 8 9 0]]

print(my_array.shape)  # (2, 5)

print(my_array[0])     # [1 2 3 4 5]

print(my_array[1])     # [6 7 8 9 0]

print(my_array[0][3])  # 4

print(my_array[0, :])  # [1 2 3 4 5]   上面的方法和这种表示方法效果相同

print(my_array[1, :])  # [6 7 8 9 0]

print(my_array[0, 3])  # 4
  • 注意：

    1. 冒号和逗号在一起时起作用，单独的 [ : ] 需要忽略，不影响输出结果的判断
    2. 以后使用上面这种只用一对方括号的表示方法 [ , ]
    3. ：可以用 ... 替代，一般使用 :
print(my_array[:][0])  # [1 2 3 4 5]   [:]不起作用，需要忽略

print(my_array[:][1])  # [6 7 8 9 0]

print(my_array[0][:])  # [1 2 3 4 5]   [:]不起作用，需要忽略

print(my_array[1][:])  # [6 7 8 9 0]
  • 下面三种表示方法的的输出结果相同
my_array = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0], [11, 12, 14, 14, 15]])

print(my_array[0])

print(my_array[1])

print(my_array[0, ])

print(my_array[1, ])

print(my_array[0, ...])    # [1 2 3 4 5]

print(my_array[1, ...])    # [6 7 8 9 0]
  • 下面三种表示方法的的输出结果相同
my_array = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0], [11, 12, 14, 14, 15]])

print(my_array[[0], ])

print(my_array[[1], ])

print(my_array[[0], :])

print(my_array[[1], :])

print(my_array[[0], ...])    # [[1 2 3 4 5]]

print(my_array[[1], ...])    # [[6 7 8 9 0]]


print(my_array[0, 0])            # 1

print(my_array[[0], [0]])        # [1]

print(my_array[[0], [0, 2]])     # [1 3]

print(my_array[[0, 1], [2, 0]])  # [3 6]

+ - * / .dot()

a = np.array([[1.0, 2.0], [3.0, 4.0]])

b = np.array([[5.0, 6.0], [7.0, 8.0]])

sum = a + b          # [[ 6.  8.] [10. 12.]]  对应相加

difference = a - b   # [[-4. -4.] [-4. -4.]]

product = a * b      # [[ 5. 12.] [21. 32.]]  对应相乘

quotient = a / b     # [[0.2        0.33333333] [0.42857143 0.5       ]]

matrix_product = a.dot(b)  # [[19. 22.] [43. 50.]]  矩阵的乘法

1D Array 一位数组

  • 数组表示时，圆括号和方括号的效果相同，一般是用方括号，数据方括号之间都用逗号间隔开
a = np.array([0, 1, 2, 3, 4])     # [0 1 2 3 4]

b = np.array((0, 1, 2, 3, 4))     #  [0 1 2 3 4]

c = np.arange(5)                  # [0 1 2 3 4]

d = np.linspace(0, 2*np.pi, 5)    #  [0. 1.57079633 3.14159265 4.71238898 6.28318531]

MD Array M维数组

print(np.arange(11, 36).reshape(5, 5))

a = np.array([[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]])

print(a)  # [[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]]

print(a[2, 4])       # 25

print(a[0, 1:4])     # [12 13 14]

print(a[1:4, 0])     # [16 21 26]

print(a[::2, ::2])   # [[11 13 15]

                       [21 23 25]

                       [31 33 35]]

print(a[:, 1])       # [12 17 22 27 32]

Array properties 数组属性

  • .dtype .size .shape .itemsize .ndim .nbytes
a = np.array([[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]])

print(type(a))     # <class 'numpy.ndarray'>  类型

print(a.dtype)     # int64  一个元素64位

print(a.size)      # 25  一共25个元素

print(a.shape)     # (5, 5)

print(a.itemsize)  # 8  一个元素大小为8个字节

print(a.ndim)      # 2  2维数组

print(a.nbytes)    # 200  数组大小为200字节=25个*8字节

Basic Operators 基本操作符

  • np.arange(4) .reshape(2, 2)
a = np.arange(4)             # [0 1 2 3]

a = a.reshape(2, 2)          # [[0 1] [2 3]]

b = np.array([3, 2, 1, 0])   # [3 2 1 0]

b = b.reshape((2, 2))        # [[3 2] [1 0]]

print(b+1)                   # [[4 3] [2 1]]

print(a + b)                 # [[3 3] [3 3]]

print(a - b)                 # [[-3 -1][ 1  3]]

print(a * b)                 # [[0 2] [2 0]]

print(a / (b+1))             # [[0. 0.33333333] [1. 3.]]

print(a ** 2)                # [[0 1] [4 9]]

print(a <= b)                # [[ True  True] [False False]]

print(a.dot(b))              # [[1 0] [9 4]]

Special operator 特殊运算符

  • .sum() .min() .max() .cumsum()
a = np.arange(10)

print(a)            # [0 1 2 3 4 5 6 7 8 9]

print(a.sum())      # 45

print(a.min())      # 0

print(a.max())      # 9

print(a.cumsum())   # [ 0  1  3  6 10 15 21 28 36 45]

Fancy indexing 花式索引

a = np.arange(0, 100, 10)

indices = [1, 2, 5, -1]

b = a[indices]

print(a)       # [ 0 10 20 30 40 50 60 70 80 90]

print(b)       # [10 20 50 90]

Boolean masking 布尔屏蔽

  • 代码：
import matplotlib.pyplot as plt

import numpy as np

a = np.linspace(0, 2 * np.pi, 11)

b = np.sin(a)

plt.plot(a, b)

mask = b >= 0

print(mask)       # [ True  True .....  False False ]

print(a[mask])    # [0.  0.12822827 ...... 2.94925025 3.07747852]

print(b[mask])    # [0.  0.12787716 ...... 0.19115863 0.06407022]

plt.plot(a[mask], b[mask], 'bo')

mask = (b >= 0) & (a <= np.pi / 2)

plt.plot(a[mask], b[mask], 'go')

plt.show()
  • 显示输出：

Incomplete Indexing 不完整的索引

a = np.arange(0, 100, 10)  # [ 0 10 20 30 40 50 60 70 80 90]

b = a[:5]                  # [ 0 10 20 30 40]

c = a[a >= 50]             # [50 60 70 80 90]

np.where(arr < 50)函数

a = np.arange(0, 100, 10)

b = np.where(a < 50)

c = np.where(a < 50)[0]

print(a)        # [ 0 10 20 30 40 50 60 70 80 90]

print(b)        # (array([0, 1, 2, 3, 4]),)

print(b[0])     # [0 1 2 3 4]

print(c)        # [0 1 2 3 4]

END

numpy基础篇-简单入门教程1的更多相关文章

  1. numpy基础篇-简单入门教程4

    np.set_printoptions(precision=3),只显示小数点后三位 np.random.seed(100) rand_arr = np.random.random([2, 2]) n ...

  2. numpy基础篇-简单入门教程3

    np import numpy as np np.__version__ print(np.__version__) # 1.15.2 numpy.arange(start, stop, step, ...

  3. numpy基础篇-简单入门教程2

    import numpy as np Array 数组 print(np.zeros((2, 2))) # [[0. 0.] [0. 0.]] print(np.ones((2, 2))) # [[1 ...

  4. NumPy简单入门教程

    # NumPy简单入门教程 NumPy是Python中的一个运算速度非常快的一个数学库,它非常重视数组.它允许你在Python中进行向量和矩阵计算,并且由于许多底层函数实际上是用C编写的,因此你可以体 ...

  5. 程序员，一起玩转GitHub版本控制，超简单入门教程 干货2

    本GitHub教程旨在能够帮助大家快速入门学习使用GitHub,进行版本控制.帮助大家摆脱命令行工具,简单快速的使用GitHub. 做全栈攻城狮-写代码也要读书,爱全栈,更爱生活. 更多原创教程请关注 ...

  6. GitHub这么火，程序员你不学学吗？ 超简单入门教程 【转载】

    本GitHub教程旨在能够帮助大家快速入门学习使用GitHub. 本文章由做全栈攻城狮-写代码也要读书,爱全栈,更爱生活.原创.如有转载,请注明出处. GitHub是什么? GitHub首先是个分布式 ...

  7. Flyway 简单入门教程

    原文地址:Flyway 简单入门教程 博客地址:http://www.extlight.com 一.前言 Flyway 是一款开源的数据库版本管理工具,它更倾向于规约优于配置的方式.Flyway 可以 ...

  8. .net 开源模板引擎jntemplate 实战演习：基础篇之入门

    一.简介 模板引擎是Web开发中非常重要的一环,它负责将页面上的动态内容呈现出最终的结果展现给前端用户,在asp.net mvc中,我们最熟悉的就是Razor了,作为官方的视图引擎(视图引擎不等同于模 ...

  9. 【ASP.NET 基础】WCF入门教程一（什么是WCF）？

    一.概述 Windows Communication Foundation(WCF)是由微软发展的一组数据通信的应用程序开发接口,可以翻译为Windows通讯接口,它是.NET框架的一部分.由 .NE ...

随机推荐

  1. P1776 宝物筛选_NOI导刊2010提高（02）(背包的二进制优化)

    题目描述 终于,破解了千年的难题.小FF找到了王室的宝物室,里面堆满了无数价值连城的宝物……这下小FF可发财了,嘎嘎.但是这里的宝物实在是太多了,小FF的采集车似乎装不下那么多宝物.看来小FF只能含泪 ...

  2. node.js连接数据库基本操作、封装数据库操作，输出到网页

    声明:以下代码测试通过,不同于直接的复制粘贴乱七八糟未测试的代码,完全可以用,最后会附上所有的代码和sql文件 首先建立表,建表语句如下: /* SQLyog Ultimate v12.08 (64 ...

  3. uva 11584 - 字符串 dp

    题目链接 一个长度1000的字符串最少划分为几个回文字符串 ---------------------------------------------------------------------- ...

  4. 使用maven插件dockerfile-maven-plugin生成Docker镜像并推送到镜像仓库

    1.引入maven插件 <build> <plugins> <plugin> <groupId>com.spotify</groupId> ...

  5. NodeJS学习笔记 (2)文件系统操作-fs(ok)

    原文:https://github.com/chyingp/nodejs-learning-guide/blob/master/%E6%A8%A1%E5%9D%97/fs.md#%E9%80%9A%E ...

  6. Django综合基础知识

    Django框架简介 MVC框架和MTV框架 MVC,全名是Model View Controller,是软件工程中的一种软件架构模式,把软件系统分为三个基本部分:模型(Model).视图(View) ...

  7. JavaIO 总结-装饰者模式

    另外参考文章:http://www.ibm.com/developerworks/cn/java/j-lo-javaio/ 一. File类 file.createNewFile();file.del ...

  8. 洛谷 P3102 [USACO14FEB]秘密代码Secret Code

    P3102 [USACO14FEB]秘密代码Secret Code 题目描述 Farmer John has secret message that he wants to hide from his ...

  9. 批量修改文件的编码格式至UTF-8

    批量修改文件的编码格式至UTF-8 学习了: https://jingyan.baidu.com/article/e8cdb32b47a1ea37042bad11.html http://blog.c ...

  10. arcmap 设置线段的不同颜色（及其它转化）

    一: shp 转化为 mxd或导出地图  当时做的第一个shp文件,应该是研一的第二个学期了,都不记得是怎么操作的了. 通过file另存为mxd就可以生成各个shp的arcmap能够直接打开的mxd文 ...