numpy的函数使用

注
help ，帮助
numpy.genfromtxt，导入文件
array，创建数组（1，2维数组）
array，创建行列向量
numpy.shape，看numpy数据的行列信息
numpy.dtype，查看numpy数据的类型
切片读取
- 示例一
- 示例二
- 示例三
== , 矩阵元素等号判断
&，与操作
|，或操作
字符串 ==> 数据类型
min，最小值
sum
shape，arange，reshape
ndim
size，查看矩阵的元素多少
zeros，生成0矩阵
ones，生成单位矩阵
random
linspace, 在指定范围内等间距生成指定的数据个数
sin, 对矩阵中的数据求三角函数sin值
矩阵的减-，平方**，范围判断

A * B，矩阵之间对应元素相乘
A.dot(B),np.dot(A, B))，矩阵相乘
exp，自然指数e
sqrt，开方运算
floor，向下取整
ravel，水平铺开矩阵
T，矩阵的转置
vstack，按照列的方向拼接两个矩阵
hstack，按照行的方向拼接两个矩阵
hsplit，垂直方向上等数量分割矩阵数据
vsplit，水平方向上等数量分割矩阵数据
a=b，复制
view，浅复制
copy，深拷贝
argmax，垂直方向上找出最大值的索引
tile，重复数据
sort，按顺序排列数据
argsort，向量中元素从小到大排列

注

下面的代码是使pyhton3.6写的，有些可能是使用python2.7写的
1维数组叫矢量，2维数组叫矩阵，3维及大于3维的数组就叫多维数组了

help ，帮助

# 打印 numpy.genfromtxt 帮助文档

print (help(numpy.genfromtxt))

# 打印range 帮助文档

print(help(range))

numpy.genfromtxt，导入文件

示例

import numpy

# 读入文本文件

# "world_alcohol.txt"      == >  读入的文件

# delimiter=","            == >  文件内容之间的分割符

# dtype=str                == >  读入的文件的数据类型

# skip_header=1            == >  跳过第一行，即第一行数据不读取

world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str, skip_header=1)

# 打印类型

print(type(world_alcohol))

# 打印读入的内容

print (world_alcohol)

array，创建数组（1，2维数组）



import numpy

#The numpy.array() function can take a list or list of lists as input. When we input a list, we get a one-dimensional array as a result:

vector = numpy.array([5, 10, 15, 20])

#When we input a list of lists, we get a matrix as a result:

matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])

# 一维数组

print(vector)

# 二维数组

print(matrix)

结果

array，创建行列向量

Numpy中的行向量和列向量 - Suprecat的博客 - CSDN博客

https://blog.csdn.net/wintersshi/article/details/80489258

numpy.shape，看numpy数据的行列信息

	#We can use the ndarray.shape property to figure out how many elements are in the array

	vector = numpy.array([1, 2, 3, 4])

	print(vector.shape)

	#For matrices, the shape property contains a tuple with 2 elements.

	matrix = numpy.array([[5, 10, 15], [20, 25, 30]])

	print(matrix.shape)

结果

	(4,)

	(2, 3)

numpy.dtype，查看numpy数据的类型

import numpy

#Each value in a NumPy array has to have the same data type

#NumPy will automatically figure out an appropriate data type when reading in data or converting lists to arrays.

#You can check the data type of a NumPy array using the dtype property.

numbers = numpy.array([1, 2, 3, 4])

print (numbers)

numbers.dtype

结果

[1 2 3 4]

dtype('int32')

切片读取

示例一

说明

[0:3]，范围包括0，但是不包括3 ，共3

import numpy

vector = numpy.array([5, 10, 15, 20])

print(vector[0:3])

结果

[ 5 10 15]

示例二

import numpy

matrix = numpy.array([

                    [5, 10, 15],

                    [20, 25, 30],

                    [35, 40, 45]

                 ])

# 读取所有的行，第1列（共0，1，2列）的数

print(matrix[:,1])

结果

[10 25 40]

示例三

import numpy

matrix = numpy.array([

                    [5, 10, 15],

                    [20, 25, 30],

                    [35, 40, 45]

                 ])

# 读取所有的行，第0，1（共0，1，2列）列的数据

print(matrix[:,0:2])

结果

[[ 5 10]

 [20 25]

 [35 40]]

示例四

matrix = numpy.array([

                    [5, 10, 15],

                    [20, 25, 30],

                    [35, 40, 45]

                 ])

# 矩阵的行1,2，列 0 ，1（共0，1，2列）

print(matrix[1:3,0:2])

结果

[[20 25]

 [35 40]]

== , 矩阵元素等号判断

示例一

import numpy

#it will compare the second value to each element in the vector

# If the values are equal, the Python interpreter returns True; otherwise, it returns False

vector = numpy.array([5, 10, 15, 20])

vector == 10

结果

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

示例二

import numpy

matrix = numpy.array([

                    [5, 10, 15],

                    [20, 25, 30],

                    [35, 40, 45]

                 ])

matrix == 25

结果

array([[False, False, False],

       [False,  True, False],

       [False, False, False]], dtype=bool)

示例三

import numpy

# Compares vector to the value 10, which generates a new Boolean vector [False, True, False, False]. It assigns this result to equal_to_ten

# 生成矩阵向量

vector = numpy.array([5, 10, 15, 20])

# 与 10 相等 进行布尔运算

equal_to_ten = (vector == 10)

print equal_to_ten

# 得到原来的数据

print(vector[equal_to_ten])

结果

[False  True False False]

[10]

示例四



import numpy

matrix = numpy.array([

                [5, 10, 15],

                [20, 25, 30],

                [35, 40, 45]

             ])

# 对所有行的第1列与  25 进行相等布尔运算

second_column_25 = (matrix[:,1] == 25)

# 布尔运算的结果

print(second_column_25)

# 还原   原来     的列

print(matrix[:, second_column_25])

# 将布尔结果对  行   进行求数

print(matrix[second_column_25, :])

结果

[False  True False]

[[10]

 [25]

 [40]]

[[20 25 30]]

示例五，对二维矩阵中的数一个指定的数据进行修改

import numpy

matrix = numpy.array([

    [5, 10, 15],

    [20, 25, 30],

    [35, 40, 45]

])

# 所有行的第1列（共0，1，2列）的数据与25进行布尔运算

second_column_25 = matrix[:, 1] == 25

print(second_column_25)

# 数据第1行第一列（共0，1，2列），25 ===> 10

matrix[second_column_25, 1] = 10

print(matrix)

结果

[False  True False]

[[ 5 10 15]

 [20 10 30]

 [35 40 45]]

&，与操作

import numpy

#We can also perform comparisons with multiple conditions

vector = numpy.array([5, 10, 15, 20])

# 与10进行布尔运算

print(vector == 10)

# 与 5进行布尔运算

print(vector == 5)

# 与操作

equal_to_ten_and_five = (vector == 10) & (vector == 5)

print(equal_to_ten_and_five)

结果

[False  True False False]

[ True False False False]

[False False False False]

|，或操作

示列一

import numpy

vector = numpy.array([5, 10, 15, 20])

# 与10进行布尔运算

print(vector == 10)

# 与 5进行布尔运算

print(vector == 5)

# 或操作

equal_to_ten_and_five = (vector == 10) | (vector == 5)

print(equal_to_ten_and_five)

结果

[False  True False False]

[ True False False False]

[ True  True False False]

示例二



import numpy

vector = numpy.array([5, 10, 15, 20])

# 与10进行布尔运算

print(vector == 10)

# 与 5进行布尔运算

print(vector == 5)

# 或操作

equal_to_ten_or_five = (vector == 10) | (vector == 5)

# 或操作后的数据进行修改

# 5, 10 ==> 50

vector[equal_to_ten_or_five] = 50

print(vector)

结果

[False  True False False]

[ True False False False]

[50 50 15 20]

字符串 ==> 数据类型

import numpy

# We can convert the data type of an array with the ndarray.astype() method.

vector = numpy.array(["1", "2", "3"])

# 原来的类型

print(vector.dtype)

print(vector)

# 字符串 ==> 数据类型

vector = vector.astype(float)

# 现在的类型

print(vector.dtype)

print(vector)

结果

<U1

['1' '2' '3']

float64

[1. 2. 3.]

min，最小值

import numpy

vector = numpy.array([5, 10, 15, 20])

vector.min()

print (vector.min())

结果

sum

说明

axis=1，每一行求和

axis=0，每一列求和
示例一

import numpy

# The axis dictates which dimension we perform the operation on

#1 means that we want to perform the operation on each row, and 0 means on each column

matrix = numpy.array([

                [5, 10, 15],

                [20, 25, 30],

                [35, 40, 45]

             ])

print(matrix.sum(axis=1))

结果

[ 30  75 120]

示例二

import numpy

matrix = numpy.array([

                [5, 10, 15],

                [20, 25, 30],

                [35, 40, 45]

             ])

print(matrix.sum(axis=0))

结果

[60 75 90]

shape，arange，reshape

shape，查看维度信息
arange，生成一组向量
reshape，对一组向量修改成新一矩阵分布
示例一，shape

import numpy as np

a =  np.array([

 [6., 9., 1., 5.],

 [3., 6., 4., 0.],

 [3., 9., 5., 7.]

    ])

print("a\n", a)

print("a.shape\n", a.shape)

a.shape = (2,6)

print("a.shape = (2,6)\n", a)

a.shape = (1,12)

print("a.shape = (1,12)\n", a)

结果

a

 [[6. 9. 1. 5.]

 [3. 6. 4. 0.]

 [3. 9. 5. 7.]]

a.shape

 (3, 4)

a.shape = (2,6)

 [[6. 9. 1. 5. 3. 6.]

 [4. 0. 3. 9. 5. 7.]]

a.shape = (1,12)

 [[6. 9. 1. 5. 3. 6. 4. 0. 3. 9. 5. 7.]]

示例二，arange



import numpy as np

# 生成 10 到 30 之间的数据，不包括30，间距为5的数据

print(np.arange( 10, 30, 5 ))

# 生成 10 到 11 之间的数据，不包括11，间距为0.2的数据

print(np.arange( 10, 11, 0.2))

结果

[10 15 20 25]

[10.  10.2 10.4 10.6 10.8]

示例三，shape，reshape

import numpy as np

# 生成一组向量

# To create sequences of numbers

print(np.arange(15))

# 查看矩阵的信息

print(np.arange(15).shape)

# 修改成新3行5列的矩阵数据

a = np.arange(15).reshape(3, 5)

print(a)

# 查看矩阵的信息

print(a.shape)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

(15,)

[[ 0  1  2  3  4]

 [ 5  6  7  8  9]

 [10 11 12 13 14]]

(3, 5)

ndim

说明: 用来查看矩阵的维度信息，1维，2维等

import numpy as np

# 生成一组向量

print(np.arange(15))

# 查看矩阵的维度信息

print(np.arange(15).ndim)

# 修改成新3行5列的矩阵数据

a = np.arange(15).reshape(3, 5)

print(a)

# 查看矩阵的维度信息

print(a.ndim)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

1

[[ 0  1  2  3  4]

 [ 5  6  7  8  9]

 [10 11 12 13 14]]

2

size，查看矩阵的元素多少

import numpy as np

# 生成一组向量

print(np.arange(15))

# 查看矩阵的信息

print(np.arange(15).dtype)

print(np.arange(15).dtype.name)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

int32

int32



import numpy as np

# 生成一组向量

print(np.arange(15))

# 查看矩阵总共有多少元素

print(np.arange(15).size)

# 修改成新3行5列的矩阵数据

a = np.arange(15).reshape(3, 5)

print(a)

# 查看矩阵总共有多少元素

print(a.size)

结果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

15

[[ 0  1  2  3  4]

 [ 5  6  7  8  9]

 [10 11 12 13 14]]

15

zeros，生成0矩阵

说明：生成的0矩阵是一个float64类型的，注意到0后面有一个小数点

import numpy as np

# 3行4列

print(np.zeros ((3,4)) )

print(np.zeros ((3,4)).dtype )

结果

[[0. 0. 0. 0.]

 [0. 0. 0. 0.]

 [0. 0. 0. 0.]]

float64

ones，生成单位矩阵

说明

numpy.ones(shape, dtype=None, order='C')

Parameters:

# 形状

shape : int or sequence of ints

Shape of the new array, e.g., (2, 3) or 2.

# 数据类型

dtype : data-type, optional

The desired data-type for the array, e.g., numpy.int8. Default is numpy.float64.

# 存储順序

order : {‘C’, ‘F’}, optional, default: C

Whether to store multi-dimensional data in row-major (C-style) or column-major (Fortran-style) order in memory.

Returns:

out : ndarray

Array of ones with the given shape, dtype, and order.

示例一

import numpy as np

# 生成float64类型

print(np.ones(5))

结果

[1. 1. 1. 1. 1.]

示例二

import numpy as np

# 生成 int 类型

print(np.ones((5,), dtype=int))

结果

[1, 1, 1, 1, 1]

示例三

import numpy as np

# 生成2行3列的float64类型数据

s = (2,3)

print( np.ones(s))

结果

[[1. 1. 1.]

 [1. 1. 1.]]

示例四

说明

np.ones(2,3,4)含义：2个3X4矩阵，所有元素为1

又如，np.ones(4,5,3)含义：4个5X3矩阵，所有元素为1

==> np.ones(a,b,c):a个b*c矩阵

import numpy as np

print(np.ones( (2,3,4), dtype=np.int32 ))

结果

[[[1 1 1 1]

  [1 1 1 1]

  [1 1 1 1]]

 [[1 1 1 1]

  [1 1 1 1]

  [1 1 1 1]]]

扩展阅读

numpy 中ones，zeros函数 - mmr598146920的专栏 - CSDN博客

https://blog.csdn.net/mmr598146920/article/details/80539733

random

import numpy as np

# 2行3列随机数

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

结果

[[0.69509627 0.04046586 0.26786661]

 [0.44120144 0.05091389 0.44784084]]

linspace, 在指定范围内等间距生成指定的数据个数

import numpy as np

from numpy import pi

# 在 0 到时 2*pi 区间（不包括右端点 2*pi）内，等间距生成 5 个数据

print(np.linspace( 0, 2*pi, 5 ))

结果

[0.         1.57079633 3.14159265 4.71238898 6.28318531]

sin, 对矩阵中的数据求三角函数sin值

import numpy as np

from numpy import pi

# 求三角函数sin值

print(np.sin(np.linspace( 0, 2*pi, 5 )))

结果

[ 0.0000000e+00  1.0000000e+00  1.2246468e-16 -1.0000000e+00

 -2.4492936e-16]

矩阵的减-，平方**，范围判断<

import numpy as np

# the product operator * operates elementwise in NumPy arrays

a = np.array([20, 30, 40, 50])

b = np.arange(4)

print("a:", a)

print("b", b)

# 矩阵相减

c = a - b

print("c = a - b", c)

# 矩阵减1

c = c - 1

print("c = c - 1", c)

# 矩阵中的每一个元素的平方

print("b ** 2", b ** 2)

# 范围判断

print("a < 35", a < 35)

结果

a: [20 30 40 50]

b [0 1 2 3]

c = a - b [20 29 38 47]

c = c - 1 [19 28 37 46]

b ** 2 [0 1 4 9]

a < 35 [ True  True False False]

A * B，矩阵之间对应元素相乘

import numpy as np

A = np.array([[1, 1],

              [0, 1]])

B = np.array([[2, 0],

              [3, 4]])

print('---A----')

print(A)

print('---B----')

print(B)

# 矩阵之间对应元素相乘

print('---A * B----')

print(A * B)

结果

---A----

[[1 1]

 [0 1]]

---B----

[[2 0]

 [3 4]]

---A * B----

[[2 0]

 [0 4]]

A.dot(B),np.dot(A, B))，矩阵相乘

import numpy as np

# The matrix product can be performed using the dot function or method

A = np.array([[1, 1],

              [0, 1]])

B = np.array([[2, 0],

              [3, 4]])

print('---A----')

print(A)

print('---B----')

print(B)

print('---A * B----')

print(A * B)

# 矩阵相乘

print('---A.dot(B)----')

print(A.dot(B))

# 矩阵相乘

print('---np.dot(A, B)----')

print(np.dot(A, B))

结果

---A----

[[1 1]

 [0 1]]

---B----

[[2 0]

 [3 4]]

---A.dot(B)----

[[5 4]

 [3 4]]

---np.dot(A, B)----

[[5 4]

 [3 4]]

exp，自然指数e

import numpy as np

B = np.arange(3)

print(B)

# 求自然指数e的次幂，B中的元素为e每一幂次方

print(np.exp(B))

结果

[0 1 2]

[1.         2.71828183 7.3890561 ]

sqrt，开方运算

import numpy as np

B = np.arange(3)

print(B)

# 对B中的每一个元素求根号，即1/2次幂

print(np.sqrt(B))

结果

[0 1 2]

[0.         1.         1.41421356]

floor，向下取整

示例一

import numpy as np

a = np.array([-1.7, -1.5, -0.2, 0.2, 1.5, 1.7, 2.0])

np.floor(a)

结果

[-2., -2., -1.,  0.,  1.,  1.,  2.]

示例二

import numpy as np

# Return the floor of the input

a = 10 * np.random.random((3, 4))

print(a)

a = np.floor(a)

print(a)

结果

[[6.6143481  9.9613796  1.30947854 5.6078685 ]

 [3.10948678 6.83076618 4.92651686 0.15127964]

 [3.3036663  9.44427669 5.25021126 7.66229507]]

[[6. 9. 1. 5.]

 [3. 6. 4. 0.]

 [3. 9. 5. 7.]]

ravel，水平铺开矩阵

说明

2维矩阵 ==> 1维向量，水平方向进行转化

import numpy as np

# Return the floor of the input

a = 10 * np.random.random((3, 4))

print(a)

a = np.floor(a)

print(a)

print('--------')

# 2维矩阵 ==>   1维向量，水平方向进行转化

# flatten the array

print(a.ravel() )

结果

[[6.6143481  9.9613796  1.30947854 5.6078685 ]

 [3.10948678 6.83076618 4.92651686 0.15127964]

 [3.3036663  9.44427669 5.25021126 7.66229507]]

[[6. 9. 1. 5.]

 [3. 6. 4. 0.]

 [3. 9. 5. 7.]]

--------

[6. 9. 1. 5. 3. 6. 4. 0. 3. 9. 5. 7.]

T，矩阵的转置

说明

在这种方式下，行向量无法直接转化为列向量

具体的转化方式见：

[numpy] np.newaxis 如何将行向量转换成列向量 - doufuxixi的博客 - CSDN博客

https://blog.csdn.net/doufuxixi/article/details/80356946

import numpy as np

# Return the floor of the input

a = 10 * np.random.random((3, 4))

print(a)

# 向下取整

a = np.floor(a)

print("a = np.floor(a)")

print(a)

# a 的转置

print("--------a.T")

print(a.T)

print('--------b = a.ravel()')

# a 水平方向铺平

b = a.ravel()

print(b)

# b 的转置

print('--------b.T')

print(b.T)

结果

[[6.8977933  6.5823566  2.70240107 4.48524208]

 [0.96507135 4.58781425 6.2868975  7.39792458]

 [6.18095442 4.62072618 5.73384294 8.45966937]]

a = np.floor(a)

[[6. 6. 2. 4.]

 [0. 4. 6. 7.]

 [6. 4. 5. 8.]]

--------a.T

[[6. 0. 6.]

 [6. 4. 4.]

 [2. 6. 5.]

 [4. 7. 8.]]

--------b = a.ravel()

[6. 6. 2. 4. 0. 4. 6. 7. 6. 4. 5. 8.]

--------b.T

[6. 6. 2. 4. 0. 4. 6. 7. 6. 4. 5. 8.]

vstack，按照列的方向拼接两个矩阵

import numpy as np

a = np.floor(10 * np.random.random((2, 2)))

b = np.floor(10 * np.random.random((2, 2)))

print('---a')

print(a)

print('---b')

print(b)

print('---np.vstack((a, b)')

print(np.vstack((a, b)))

结果

---a

[[4. 3.]

 [8. 6.]]

---b

[[8. 2.]

 [6. 0.]]

---np.vstack((a, b)

[[4. 3.]

 [8. 6.]

 [8. 2.]

 [6. 0.]]

hstack，按照行的方向拼接两个矩阵

import numpy as np

a = np.floor(10 * np.random.random((2, 2)))

b = np.floor(10 * np.random.random((2, 2)))

print('---a')

print(a)

print('---b')

print(b)

print('---np.hstack((a, b)')

print(np.hstack((a, b)))

结果

---a

[[1. 9.]

 [3. 6.]]

---b

[[9. 6.]

 [5. 0.]]

---np.hstack((a, b)

[[1. 9. 9. 6.]

 [3. 6. 5. 0.]]

hsplit，垂直方向上等数量分割矩阵数据

import numpy as np

x = np.arange(16.0).reshape(2, 8)

print(x)

# 等个数分割为2份

print(np.hsplit(x, 2))

# 等个数分割为4份

print(np.hsplit(x, 4))

结果

[[ 0.  1.  2.  3.  4.  5.  6.  7.]

 [ 8.  9. 10. 11. 12. 13. 14. 15.]]

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

       [ 8.,  9., 10., 11.]]), array([[ 4.,  5.,  6.,  7.],

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

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

       [8., 9.]]), array([[ 2.,  3.],

       [10., 11.]]), array([[ 4.,  5.],

       [12., 13.]]), array([[ 6.,  7.],

       [14., 15.]])]

结果( 重新排版后)

[[ 0.  1.  2.  3.  4.  5.  6.  7.]

 [ 8.  9. 10. 11. 12. 13. 14. 15.]]

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

        [ 8.,  9., 10., 11.]]),

 array([[ 4.,  5.,  6.,  7.],

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

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

  	    [8., 9.]]),

 array([[ 2.,  3.],

 	    [10., 11.]]),

 array([[ 4.,  5.],

	    [12., 13.]]),

array([[ 6.,  7.],

	    [14., 15.]])]

vsplit，水平方向上等数量分割矩阵数据

import numpy as np

x = np.arange(16.0).reshape(8, 2)

print(x)

# 等数量分割为2份

print(np.vsplit(x, 2))

# 等数量分割为4份

print(np.vsplit(x, 4))

结果

[[ 0.  1.]

 [ 2.  3.]

 [ 4.  5.]

 [ 6.  7.]

 [ 8.  9.]

 [10. 11.]

 [12. 13.]

 [14. 15.]]

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

       [2., 3.],

       [4., 5.],

       [6., 7.]]), array([[ 8.,  9.],

       [10., 11.],

       [12., 13.],

       [14., 15.]])]

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

       [2., 3.]]), array([[4., 5.],

       [6., 7.]]), array([[ 8.,  9.],

       [10., 11.]]), array([[12., 13.],

       [14., 15.]])]