numpy 从入门到遗忘

不常用的函数总是遗忘，很是困扰啊。于是痛下时间，做一个系统的总结，纯原创，都是些实际项目中常用的函数和方法，当然还有一些这边也是没有记录的，因为我在实际数据处理过程中也没有遇到过（如字符串处理等等）。

创建基本ndarray类实例：

import numpy as np

np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

序号	参数及描述
1.	`object` 任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。
2.	`dtype` 数组的所需数据类型，可选。
3.	`copy` 可选，默认为`true`，对象是否被复制。
4.	`order` `C`（按行）、`F`（按列）或`A`（任意，默认）。
5.	`subok` 默认情况下，返回的数组被强制为基类数组。如果为`true`，则返回子类。
6.	`ndimin` 指定返回数组的最小维数。

数据类型：

分为三大类：整型，浮点型，python对象。

import numpy as np

np.array("str",dtype=np.unicode) # 举个栗子，字典，集合等等均可

np.array([1,2,3],dtype=np.int32)

np.array([1,2,3],dtype=np.float32)

数组属性：

ndarray.shape

ndarray.reshape(shape) # 等同于np.reshape(a,newshape),且要注意shape中的-1表示根据剩下的维度计算得出。

ndarray.ndim # 返回数组维度

创建例程：

np.zeros(shape,dtype=float)

np.ones(shape,dtype=None)

np.arange(start,stop,step,dtype) # 注意点stop值取不到

numpy.linspace(start, stop, num, endpoint=True, retstep, dtype) # endpoint为True 则包含stop值

numpy.logspace(start, stop, num, endpoint, base, dtype)

切片和索引：

解释起来比较复杂，最常用的操作之一，划重点，涵盖的信息量很大。

a = np.zeros((2,3))

# 简单索引

a[:,:]

a[1:,:2]

# 整数索引

a[[0,1],:]

a[:,[0,1,2]]

# 布尔索引 # 自己的理解，矩阵相乘，非点积

a = np.array([[  0,  1,  2],[  3,  4,  5],[  6,  7,  8],[  9,  10,  11]])

print(a>5)

print(a[a>5])

>>>[[False False False]

     [False False False]

     [ True  True  True]

     [ True  True  True]]

>>>[ 6  7  8  9 10 11]

数组操作：

np.reshape(a,newshape)

np.linalg.inv() # 矩阵的逆

ndarray.T

np.expand_dims(a, axis) # 增加维度，其实我觉得reshape完全够用

### 数组连接

np.concatenate((a1, a2, ...), axis=0, out=None) # 沿着现存的轴连接数据序列

np.stack(arrays, axis=0, out=None) # 沿着新轴连接数组序列

np.hstack(tup) # 水平堆叠序列中的数组

np.vstack(tup) # 竖直堆叠序列中的数组

### 添加/删除数组

np.append(arr, values, axis=None)

np.insert(arr, obj, values, axis=None)

np.delete(arr, obj, axis=None) # 删除指定索引元素

算术运算：

np.power() # np.power(a,2)

np.sqrt()

np.abs()

np.add()

np.subtract()

np.divide()

np.multiply()

# 矩阵运算

np.dot() # 线代的点积。如果输入都为1D，计算内积。如果输入多维，那么必须满足矩阵乘积维数要求

np.matmul() # 好像和np.dot()一样

统计运算：

np.mean()

np.sum()

np.std() # 标准差

np.var() # 方差

np.round(a, decimals=0, out=None) # 保留几位小数

np.max() np.min() np.sort()

np.argmax() np.argmin() np.argsort()