python numpy学习记录

numpy是一个python和矩阵相关的库，在机器学习中非常有用，记录下numpy的基本用法

numpy的数组类叫做ndarray也叫做数组,跟python标准库中的array.array不同，后者只处理一维的数组而且提供很少的函数，numpy中有更多重要的属性

分别是

ndarray.ndim    该数组的维度，轴的数量

ndarray.shape    该数组的尺寸二维数组(m， n)m行n列，如果是三维或者以上的会包含其维度即(维度，m，n)

ndarray.size    数组中所有元素的数量

ndarray.dtype    数组中元素的类型

ndarray.itemsize 数组中每个元素的字节大小，float64中此项为64/8，int32中此项为32/8

ndarray.data    数组中包含的数据的缓冲区，一般不使用，都是使用索引来访问元素

数组的创建

np.array([2,3,4])

np.array([[2,3,4],[3,4,5]], dtype=np.int32)

np.zeros((3,4))创建一个全零的3*4数组

np.ones(3,4)创建一个全一的3*4数组

np.empty((2,3))创建一个数组，初始内容随机，取决内存的状态，默认创建的数组类型为float64

使用arange函数可以创建一个序列，类似于列表的数组

np.arange(10， 30， 5)从10到30以5为步长创建一个数组

如果不知道步长的话可以使用linspace

np.linspace(0,2,9)从0到2平均产生9个数

reshape函数可以将数组转换成指定维度，行，列的数组

np.arange(100).reshape(10,10)将一个一维的0-99的数组转换为10个0-9的数组

基础的操作

>>> a = np.array( [,,,] )
>>> b = np.arange(  )
>>> b
array([, , , ])
>>> c = a-b
>>> c
array([, , , ])
>>> b**
array([, , , ])
>>> *np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
>>> a<
array([ True, True, False, False], dtype=bool)

两个矩阵相乘，使用dot函数，如果使用*结果是元素相应位置的元素相乘，不符合矩阵乘法

>>> A = np.array( [[,],
...             [,]] )
>>> B = np.array( [[,],
...             [,]] )
>>> A*B                         # elementwise product
array([[, ],
       [, ]])
>>> A.dot(B)                    # matrix product
array([[, ],
       [, ]])
>>> np.dot(A, B)                # another matrix product
array([[, ],
       [, ]])

使用+=或者*=会修改已经存在的数组而不是创建一个新的数组

sum函数计算数组总和

min函数求最小

max函数求最大

如果想求行中总和或者列中总和可以使用axis参数

sum(axis=0)求列总和，axis=1求行总和

max，min类似

>>> b = np.arange().reshape(,)
>>> b
array([[ ,  ,  ,  ],
       [ ,  ,  ,  ],
       [ ,  , , ]])
>>>
>>> b.sum(axis=)                            # sum of each column
array([, , , ])
>>>
>>> b.min(axis=)                            # min of each row
array([, , ])
>>>
>>> b.cumsum(axis=)                         # cumulative sum along each row
array([[ ,  ,  ,  ],
       [ ,  , , ],
       [ , , , ]])

numpy提供了常用的数学函数，sin,cos,exp等

一维数组可以被索引，切片，迭代，就像其他和列表一样的python序列一样

>>> a = np.arange()**
>>> a
array([  ,   ,   ,  ,  , , , , , ])
>>> a[]

>>> a[:]
array([ , , ])
>>> a[::] = -    # equivalent to a[::] = -; from start to position , exclusive, set every 2nd element to -
>>> a
array([-,     , -,    , -,   ,   ,   ,   ,   ])
>>> a[ : :-]                                 # reversed a
array([  ,   ,   ,   ,   , -,    , -,     , -])
>>> for i in a:
...     print(i**(/.))
...
nan
1.0
nan
3.0
nan
5.0
6.0
7.0
8.0
9.0

多维数组每个轴有一个索引，这些索引以逗号分隔的元组给出

>>> def f(x,y):
...     return *x+y
...
>>> b = np.fromfunction(f,(,),dtype=int)
>>> b
array([[ ,  ,  ,  ],
       [, , , ],
       [, , , ],
       [, , , ],
       [, , , ]])
>>> b[,]

>>> b[:, ]                       # each row in the second column of b
array([ , , , , ])
>>> b[ : ,]                        # equivalent to the previous example
array([ , , , , ])
>>> b[:, : ]                      # each column in the second and third row of b
array([[, , , ],
       [, , , ]])

当提供的索引数量少于轴(维)数，缺少的索引被当做完整的切片

b[-1]=b[-1, :]即取出最后一行的所有元素

对多维数组来说，迭代只迭代一个(轴)维度

>>> for row in b:
...     print(row)
...
[   ]
[   ]
[   ]
[   ]
[   ]

如果要获取所有元素

>>> for element in b.flat:
...     print(element)
...

连接不同的数组

np.vstack()添加到下一行

np.hstack()添加到同行尾部

>>> a = np.floor(*np.random.random((,)))
>>> a
array([[ .,  .],
       [ .,  .]])
>>> b = np.floor(*np.random.random((,)))
>>> b
array([[ .,  .],
       [ .,  .]])
>>> np.vstack((a,b))
array([[ .,  .],
       [ .,  .],
       [ .,  .],
       [ .,  .]])
>>> np.hstack((a,b))
array([[ .,  .,  .,  .],
       [ .,  .,  .,  .]])

分离数组元素

np.hsplit()

np.vsplit()

>>> a = np.floor(*np.random.random((,)))
>>> a
array([[ .,  .,  .,  .,  .,  .,  .,  .,  .,  .,  .,  .],
       [ .,  .,  .,  .,  .,  .,  .,  .,  .,  .,  .,  .]])
>>> np.hsplit(a,)   # Split a into
[array([[ .,  .,  .,  .],
       [ .,  .,  .,  .]]), array([[ .,  .,  .,  .],
       [ .,  .,  .,  .]]), array([[ .,  .,  .,  .],
       [ .,  .,  .,  .]])]
>>> np.hsplit(a,(,))   # Split a after the third and the fourth column
[array([[ .,  .,  .],
       [ .,  .,  .]]), array([[ .],
       [ .]]), array([[ .,  .,  .,  .,  .,  .,  .,  .],
       [ .,  .,  .,  .,  .,  .,  .,  .]])]

数组的复制和查看

当操作和操作数组时，他们的数据有时会被复制到一个新的数组中，这通常是初学者混淆的来源。有三种情况

>>> a = np.arange()
>>> b = a            # no new object is created
>>> b is a           # a and b are two names for the same ndarray object
True
>>> b.shape = ,    # changes the shape of a
>>> a.shape
(, )

赋值语句并不等于创建一个新的数组，而是对旧数组的引用

查看与浅拷贝

不同的数组对象可以享有相同的数据，view方法可以创建一个新的数组对象拥有相同的数据

>>> c = a.view()
>>> c is a
False
>>> c.base is a                        # c is a view of the data owned by a
True
>>> c.flags.owndata
False
>>>
>>> c.shape = ,                      # a's shape doesn't change
>>> a.shape
(, )
>>> c[,] =                       # a's data changes
>>> a
array([[   ,    ,    ,    ],
       [,    ,    ,    ],
       [   ,    ,   ,   ]])

对数组切片返回一个数组的view

>>> s = a[ : , :]     # spaces added for clarity; could also be written "s = a[:,1:3]"
>>> s[:] =            # s[:] is a view of s. Note the difference between s= and s[:]=
>>> a
array([[   ,   ,   ,    ],
       [,   ,   ,    ],
       [   ,   ,   ,   ]])

view和切片得到的数组如果改变，源数组也会改变

copy方法会复制完整的数据和其数据

>>> d = a.copy()                          # a new array object with new data is created
>>> d is a
False
>>> d.base is a                           # d doesn't share anything with a
False
>>> d[,] =
>>> a
array([[   ,   ,   ,    ],
       [,   ,   ,    ],
       [   ,   ,   ,   ]])

参考自官方文档

https://docs.scipy.org/doc/numpy-dev/user/quickstart.html