一、创建数组

1、创建数组的函数

  • array：将输入数据（列表、元组、数组或其他序列类型）转换为ndarray，可用dtype指定数据类型。
>>> import numpy as np

>>> a=np.array([1,2,3])

>>> a

array([1, 2, 3])

>>> c=np.array([1,2,3],dtype=float)  #使用的type指定数据类型
>>> c
array([ 1.,  2.,  3.])
>>> c=c.astype(int)   #使用astype更改数据类型
>>> c
array([1, 2, 3])
  • arange：类似于range，但返回的不是列表而是ndarray。
>>> g=np.arange(5)

>>> g

array([0, 1, 2, 3, 4])

>>> k=np.arange(6).reshape(2,3)

>>> k

array([[0, 1, 2],

       [3, 4, 5]])
  • ones、ones_like：创建全是1的数组。
>>> c=np.ones((2,3),dtype=np.int)

>>> c

array([[1, 1, 1],

       [1, 1, 1]])

>>> d=np.ones_like(c)  #d的形状和dtype与c相同

>>> d

array([[1, 1, 1],

       [1, 1, 1]])
  • zeros、zeros_like：创建全是0的数组。
>>> f=np.zeros((2,3,2))

>>> f

array([[[ 0.,  0.],

        [ 0.,  0.],

        [ 0.,  0.]],

       [[ 0.,  0.],

        [ 0.,  0.],

        [ 0.,  0.]]])

>>> g=np.zeros_like(f)  #g的形状和dtype与f相同

>>> g

array([[[ 0.,  0.],

        [ 0.,  0.],

        [ 0.,  0.]],

       [[ 0.,  0.],

        [ 0.,  0.],

        [ 0.,  0.]]])
  • empty，empty_like：创建新数组，只分配内存但不填充任何值。

注：empty数据并不是空的数组，也不是全为0的数组，它返回的是一些未初始化的垃圾值。

>>> k=np.empty((2,3))
>>> k
array([[  6.23042070e-307,   3.56043053e-307,   1.37961641e-306],
       [  8.06612192e-308,   2.22523004e-307,   2.44031977e-312]])


>>> g=np.empty_like(k)   #g的形状和dtype与k相同
>>> g
array([[  6.23042070e-307,   3.56043053e-307,   1.37961641e-306],
       [  8.06612192e-308,   2.22523004e-307,   2.44031977e-312]])
  • eye、identity：创建一个正方的N*N的单位矩阵（对角线为1，其他为0）

np.eye(N, M=None, k=0, dtype=<type ‘float’>)
可以创建矩形矩阵，且k值可以调节，为1的对角线的位置偏离度，0居中，1向上偏离1，2偏离2，以此类推，-1向下偏离。值绝对值过大就偏离出去了，整个矩阵就全是0了。

>>> l=np.eye(3,4,1)  #3行4列，为1的对角线向上移一位

>>> l

array([[ 0.,  1.,  0.,  0.],

       [ 0.,  0.,  1.,  0.],

       [ 0.,  0.,  0.,  1.]])

>>> l1=np.eye(3,3,-1) #3行3列，为1的对角线向下移一位

>>> l1

array([[ 0.,  0.,  0.],

       [ 1.,  0.,  0.],

       [ 0.,  1.,  0.]])

>>> j=np.identity(3)  #创建方形单位矩阵（对角线为1，其余为0）

>>> j

array([[ 1.,  0.,  0.],

       [ 0.,  1.,  0.],

       [ 0.,  0.,  1.]])

 

2、Numpy的数据类型

3、 查看数组维度、数组形状、数据类型

>>> a=np.random.randn(4,3)

>>> a

array([[-1.67075275, -0.53713536, -1.54479383],

       [-0.95460603,  2.097174  , -0.61332423],

       [-1.92818377, -0.00663392,  1.34561876],

       [ 0.54646619, -0.85965155, -0.70237827]])

>>> a.ndim  #查看维度

2

>>> a.shape  #查看形状

(4, 3)

>>> a.dtype  #查看数据类型

dtype('float64')

二、索引、切片

  • 利用行列号索引、切片
>>> a

array([[0, 1, 2],

       [3, 4, 5]])

>>> a[0]

array([0, 1, 2])

>>> a[0][2]

2

>>> a[0][1:]

array([1, 2])

>>> a[:,:1]

array([[0],

       [3]])

>>> a[:,:2]

array([[0, 1],

       [3, 4]])
  • 利用整数数组做花式索引
>>> a=np.arange(20).reshape(5,4)

>>> a

array([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [ 8,  9, 10, 11],

       [12, 13, 14, 15],

       [16, 17, 18, 19]])

>>> a[[0,2,4]]  #选取第0,2,4行元素

array([[ 0,  1,  2,  3],

       [ 8,  9, 10, 11],

       [16, 17, 18, 19]])

>>> a[[0,2,1],[1]] #意为选取(0,1),(2,1),(1,1)的元素

array([1, 9, 5])

>>> a[[0,2,1]][:,[2,0]]#意为选取0、2、1行，2,0列的元素

array([[ 2,  0],

       [10,  8],

       [ 6,  4]])
  • 条件索引
>>> a=np.random.randn(4,3)

>>> a

array([[-0.04603611, -1.04144497,  0.78488753],

       [-0.06099172,  0.31987999,  0.62553966],

       [-0.44534405, -0.33631437,  0.07821993],

       [-0.56541056, -0.42975815, -0.65669226]])

>>> a[a<0]

array([-0.04603611, -1.04144497, -0.06099172, -0.44534405, -0.33631437,

       -0.56541056, -0.42975815, -0.65669226])

>>> b=np.array(['rose','lily','tulips','hyacinth'])

>>> b==‘lily‘        #条件判断，返回布尔数组

array([False,  True, False, False], dtype=bool)

>>> a[b==‘lily’]     #用布尔数组判断，返回布尔为true的行，注行数要与布尔数组的长度相同

array([[-0.06099172,  0.31987999,  0.62553966]])

>>> c=(b=='rose')|(b=='lily')   #条件或写法，不能写成or

>>> c     #多个条件判断

array([ True,  True, False, False], dtype=bool)

>>> a[c]

array([[-0.04603611, -1.04144497,  0.78488753],

       [-0.06099172,  0.31987999,  0.62553966]])

>>> b!='rose'    #条件非写法
  array([False,  True,  True,  True], dtype=bool)

>>> f=(b=='rose')&(b=='lily')  #条件与写法,不能写成and
  >>> f
  array([False, False, False, False], dtype=bool)
 

 三、数组和标量间的运算

大小相等的数组间的算术运算会应用到元素级。

>>> a=np.arange(6).reshape(2,3)

>>> a

array([[0, 1, 2],

       [3, 4, 5]])

>>> a*a

array([[ 0,  1,  4],

       [ 9, 16, 25]])

>>> a+a

array([[ 0,  2,  4],

       [ 6,  8, 10]])

>>> a-a

array([[0, 0, 0],

       [0, 0, 0]])

>>> a/a

array([[ nan,   1.,   1.],

       [  1.,   1.,   1.]])

>>> a*2

array([[ 0,  2,  4],

       [ 6,  8, 10]])

>>> a/2

array([[ 0. ,  0.5,  1. ],

       [ 1.5,  2. ,  2.5]])

>>> a**0.5

array([[ 0.        ,  1.        ,  1.41421356],

       [ 1.73205081,  2.        ,  2.23606798]])

 四、数组转置和轴对换

  • T：转置
>>> a=np.arange(6).reshape(3,2)

>>> a

array([[0, 1],

       [2, 3],

       [4, 5]])

>>> a.T          #转置

array([[0, 2, 4],

       [1, 3, 5]])
  • transpose：传入一个由轴编号组成的元组，对这些轴进行转置
>>> arr=np.arange(16).reshape(2,2,4)

>>> arr

array([[[ 0,  1,  2,  3],

        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],

        [12, 13, 14, 15]]])

>>> arr.transpose(0,2,1)  #transpose（行、列、层）分别用数字0,1,2代表，arr.transpose(0,2,1)意为列、层对换

array([[[ 0,  4],

        [ 1,  5],

        [ 2,  6],

        [ 3,  7]],

       [[ 8, 12],

        [ 9, 13],

        [10, 14],

        [11, 15]]])
  • swapaxes：接受一对轴编号
>>> arr.swapaxes(1,2)    #接受一对轴编号，列、层对调

array([[[ 0,  4],

        [ 1,  5],

        [ 2,  6],

        [ 3,  7]],

       [[ 8, 12],

        [ 9, 13],

        [10, 14],

        [11, 15]]])

 五、函数

  • abs，fabs   ：计算整数、浮点数、复数的绝对值，对于非复数，fabs更快
>>> a=np.random.randn(3,4)

>>> a

array([[ 1.38259684,  1.5849254 ,  0.4449462 ,  0.2385593 ],

       [ 1.00091383, -1.09375872, -0.02773304,  0.53630798],

       [ 0.57737587,  1.60649999, -0.20384362, -1.22109508]])

>>> np.abs(a)

array([[ 1.38259684,  1.5849254 ,  0.4449462 ,  0.2385593 ],

       [ 1.00091383,  1.09375872,  0.02773304,  0.53630798],

       [ 0.57737587,  1.60649999,  0.20384362,  1.22109508]])

>>> np.fabs(a)

array([[ 1.38259684,  1.5849254 ,  0.4449462 ,  0.2385593 ],

       [ 1.00091383,  1.09375872,  0.02773304,  0.53630798],

       [ 0.57737587,  1.60649999,  0.20384362,  1.22109508]])
  • sqrt：计算平方根
>>> b=np.arange(4).reshape(2,2)

>>> b

array([[0, 1],

       [2, 3]])

>>> np.sqrt(b)

array([[ 0.        ,  1.        ],

       [ 1.41421356,  1.73205081]])
  • square：计算平方
>>> b

array([[0, 1],

       [2, 3]])

>>> np.square(b)

array([[0, 1],

       [4, 9]], dtype=int32)