原文地址

NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推。在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量。比如说,二维数组相当于是一个一维数组,而这个一维数组中每个元素又是一个一维数组。所以这个一维数组就是NumPy中的轴(axes),而轴的数量——秩,就是数组的维数。

Numpy库中的矩阵模块为ndarray对象,有很多属性:T,data, dtype,flags,flat,imag,real,size,

itemsize,nbytes,ndim,shape,strides,ctypes,base等等。

  1. >>> import numpy as np
  2. >>> x=np.array([[1,2,3],[9,8,7],[6,5,4]])
  3. >>> x.T   #获得x的转置矩阵
  4. array([[1, 9, 6],
  5. [2, 8, 5],
  6. [3, 7, 4]])
  7. >>> print x.flags  #返回数组内部的信息
  8. C_CONTIGUOUS : True
  9. F_CONTIGUOUS : False
  10. OWNDATA : True
  11. WRITEABLE : True
  12. ALIGNED : True
  13. UPDATEIFCOPY : False
  14. >>> x.flat[2:6]   #将数组变为1维数组,并获取其中的一部分数据
  15. array([3, 9, 8, 7])
  16. >>> x.flat = 4; x   #将值赋给1维数组,再转化成有原有数组的大小形式
  17. array([[4, 4, 4],
  18. [4, 4, 4],
  19. [4, 4, 4]])
  20. >>> x
  21. array([[4, 4, 4],
  22. [4, 4, 4],
  23. [4, 4, 4]])

ndarray.imag # 为复变函数中含有虚部的数组,如下:

  1. >>> x = np.sqrt([2+3j, 5+0j])   # 创建一个复数
  2. >>> x
  3. array([ 1.67414923+0.89597748j,  2.23606798+0.j        ])
  4. >>> x.imag  #获得复数的虚部
  5. array([ 0.89597748,  0.        ])
  6. >>> x.real   #获得复数的实部
  7. array([ 1.67414923,  2.23606798])
  8. >>> x=np.arange(10)  #随机生成一个数组,并重新命名一个空间的数组
  9. >>> x.reshape(2,5)
  10. array([[0, 1, 2, 3, 4],
  11. [5, 6, 7, 8, 9]])
  12. >>> x.size   #获得数组中元素的个数
  13. 10
  14. >>> x.ndim  #获得数组的维数
  15. >>> x.shape  #获得数组的(行数,列数)
  16. (10,)
  17. >>> y=x.reshape(5,2)
  18. >>> y
  19. array([[0, 1],
  20. [2, 3],
  21. [4, 5],
  22. [6, 7],
  23. [8, 9]])
  24. >>> y.base   #获得该数组基于另外一个对象数组而来,如下,y是根据x而来
  25. array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

Ndarray对象的方法

ndarray.ptp(axis=None, out=None) : 返回数组的最大值—最小值或者某轴的最大值—最小值

ndarray.clip(a_min, a_max, out=None) : 小于最小值的元素赋值为最小值,大于最大值的元素变为最大值。

ndarray.all():如果所有元素都为真,那么返回真;否则返回假

ndarray.any():只要有一个元素为真则返回真

ndarray.swapaxes(axis1, axis2) : 交换两个轴的元素,如下

  1. >>> z.swapaxes(0,1)
  2. array([[2, 4, 6, 8],
  3. [3, 5, 7, 9]])
  • 下面为改变数组维度和大小的方法:

ndarray.reshape(shape[, order]) :返回重命名数组大小后的数组,不改变元素个数.

ndarray.resize(new_shape[, refcheck]) :改变数组的大小(可以改变数组中元素个数).

ndarray.transpose(*axes) :返回矩阵的转置矩阵

ndarray.swapaxes(axis1, axis2) : 交换两个轴的元素后的矩阵.

ndarray.flatten([order]) : 复制一个一维的array出来.

ndarray.ravel([order]) :返回为展平后的一维数组.

ndarray.squeeze([axis]) :移除长度为1的轴。

ndarray.tolist():将数组转化为列表

ndarray.take(indices, axis=None, out=None, mode=’raise’):获得数组的指定索引的数据,如:

  1. >>> a=np.arange(12).reshape(3,4)
  2. >>> a
  3. array([[ 0,  1,  2,  3],
  4. [ 4,  5,  6,  7],
  5. [ 8,  9, 10, 11]])
  6. >>> a.take([1,3],axis=1) #提取1,3列的数据
  7. array([[ 1,  3],
  8. [ 5,  7],
  9. [ 9, 11]])

numpy.put(a, ind, v, mode=’raise’):用v的值替换数组a中的ind(索引)的值。Mode可以为raise/wrap/clip。Clip:如果给定的ind超过了数组的大小,那么替换最后一个元素。

numpy.repeat(a, repeats, axis=None):重复数组的元素,如:

  1. >>> x = np.array([[1,2],[3,4]])
  2. >>> np.repeat(x, 2)
  3. array([1, 1, 2, 2, 3, 3, 4, 4])
  4. >>> np.repeat(x, 3, axis=1)
  5. array([[1, 1, 1, 2, 2, 2],
  6. [3, 3, 3, 4, 4, 4]])
  7. >>> np.repeat(x, [1, 2], axis=0)
  8. array([[1, 2],
  9. [3, 4],
  10. [3, 4]])

numpy.tile(A, reps):根据给定的reps重复数组A,和repeat不同,repeat是重复元素,该方法是重复数组。

ndarray.var(axis=None, dtype=None, out=None, ddof=0):返回数组的方差,沿指定的轴。

ndarray.std(axis=None, dtype=None, out=None, ddof=0):沿给定的轴返回数则的标准差

ndarray.prod(axis=None, dtype=None, out=None):返回指定轴的所有元素乘机

ndarray.cumprod(axis=None, dtype=None, out=None):返回指定轴的累积,如下:

  1. >>> a
  2. array([[ 0,  1,  2,  3],
  3. [ 4,  5,  6,  7],
  4. [ 8,  9, 10, 11]])
  5. >>> a.cumprod(axis=1)  #得到竖轴的累积
  6. array([[   0,    0,    0,    0],
  7. [   4,   20,  120,  840],
  8. [   8,   72,  720, 7920]])

ndarray.mean(axis=None, dtype=None, out=None):返回指定轴的数组元素均值

ndarray.cumsum(axis=None, dtype=None, out=None):返回指定轴的元素累计和。如:

  1. >>> a
  2. array([[ 0,  1,  2,  3],
  3. [ 4,  5,  6,  7],
  4. [ 8,  9, 10, 11]])
  5. >>> a.cumsum(axis=1)
  6. array([[ 0,  1,  3,  6],
  7. [ 4,  9, 15, 22],
  8. [ 8, 17, 27, 38]])

ndarray.sum(axis=None, dtype=None, out=None):返回指定轴所有元素的和

ndarray.trace(offset=0, axis1=0, axis2=1, dtype=None, out=None):返回沿对角线的数组元素之和

ndarray.round(decimals=0, out=None):将数组中的元素按指定的精度进行四舍五入,如下:

  1. >>> np.around([0.37, 1.64])
  2. array([ 0., 2.])
  3. >>> np.around([0.37, 1.64], decimals=1)
  4. array([ 0.4, 1.6])
  5. >>> np.around([.5, 1.5, 2.5, 3.5, 4.5]) # rounds to nearest even value
  6. array([ 0., 2., 2., 4., 4.])
  7. >>> np.around([1,2,3,11], decimals=1) # ndarray of ints is returned
  8. array([ 1, 2, 3, 11])
  9. >>> np.around([1,2,3,11], decimals=-1)
  10. array([ 0, 0, 0, 10])

ndarray.conj():返回所有复数元素的共轭复数,如:

  1. >>> b=np.array([[1+2j,3+0j],[3+4j,7+5j]])
  2. >>> b
  3. array([[ 1.+2.j,  3.+0.j],
  4. [ 3.+4.j,  7.+5.j]])
  5. >>> b.conj()
  6. array([[ 1.-2.j,  3.-0.j],
  7. [ 3.-4.j,  7.-5.j]])

ndarray.argmin(axis=None, out=None):返回指定轴最小元素的索引。

ndarray.min(axis=None, out=None):返回指定轴的最小值

ndarray.argmax(axis=None, out=None):返回指定轴的最大元素索引值

ndarray.diagonal(offset=0, axis1=0, axis2=1):返回对角线的所有元素。

ndarray.compress(condition, axis=None, out=None):返回指定轴上条件下的切片。

ndarray.nonzero():返回非零元素的索引

numpy中的ndarray方法和属性的更多相关文章

  1. 3.1Python数据处理篇之Numpy系列(一)---ndarray对象的属性与numpy的数据类型

    目录 目录 (一)简单的数组创建 1.numpy的介绍: 2.numpy的数组对象ndarray: 3.np.array(list/tuple)创建数组: (二)ndarray对象的属性 1.五个常用 ...

  2. numpy中 array数组的shape属性

    numpy.array 的shape属性理解 在码最邻近算法(K-Nearest Neighbor)的过程中,发现示例使用了numpy的array数组管理,其中关于array数组的shape(状态)属 ...

  3. numpy中的ndarray与pandas中的series、dataframe的转换

    一个ndarray是一个多维同类数据容器.每一个数组有一个dtype属性,用来描述数组的数据类型. Series是一种一维数组型对象,包含了一个值序列,并且包含了数据标签----索引(index). ...

  4. 第8.32节 Python中重写__delattr__方法捕获属性删除

    一. 引言 上节介绍了__delattr__方法在Python清除实例属性时被捕获执行,本节结合例子介绍重写__delattr__方法,并说明__delattr__方法执行的触发逻辑. 二. 重写__ ...

  5. U3D中的一些方法和属性

    string.Format();//拼接字符串的方法,里面可用占位符,方法内部为string Destroy(Object obj);//立刻销毁(游戏对象,组件或者asset) Destroy(Ob ...

  6. day20-Python运维开发基础(装饰器 / 类中的方法 / 类的方法变属性)

    1. 装饰器 / 类中的方法 / 类的方法变属性 # ### 装饰器 """ 定义:装饰器用于拓展原来函数功能的一种语法,返回新函数替换旧函数 优点:在不更改原函数代码的 ...

  7. C#中的类、方法和属性

    这节讲C#中的类,方法,属性.这是编码中我们最直接打交道的三个结构.      类: 类(class)是面向对象中最基本的单元,它是一种抽象,对现实世界中事物的抽象,在C#中使用class关键字声明一 ...

  8. numpy 中的reshape,flatten,ravel 数据平展,多维数组变成一维数组

    numpy 中的reshape,flatten,ravel 数据平展,多维数组变成一维数组 import numpy as np 使用array对象 arr1=np.arange(12).reshap ...

  9. Python数据分析--Numpy常用函数介绍(4)--Numpy中的线性关系和数据修剪压缩

    摘要:总结股票均线计算原理--线性关系,也是以后大数据处理的基础之一,NumPy的 linalg 包是专门用于线性代数计算的.作一个假设,就是一个价格可以根据N个之前的价格利用线性模型计算得出. 前一 ...

随机推荐

  1. 055——VUE中vue-router之路由参数的随意设置与伪静态链接地址处理:

    <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8&quo ...

  2. 函数响应式编程RxJava

    RxJava 到底是什么 一个词:异步. RxJava 在 GitHub 主页上的自我介绍是 "a library for composing asynchronous and event- ...

  3. BigDecimal 、BigInteger

    package com.BigDecimal; public class BigDecimalDemo { /* * 下面的运算的结果出乎我们的意料,有些准确,有些不准确 * 这是为什么呢? * 我们 ...

  4. 《DSP using MATLAB》Problem 2.2

    1.代码: %% ------------------------------------------------------------------------ %% Output Info abo ...

  5. hibernate之xml映射文件关系维护,懒加载,级联

    一:关系维护 --->inverse默认值false,表示不放弃关系的维护.   --->inverse="true"配置在那一端,表示那一端xml对应的po放弃关系的 ...

  6. 发发牢骚,觉得走c#这条路,不该太浮躁。

    发发牢骚,觉得走c#这条路,不该太浮躁.校园招聘结束了,腾讯,华为,百度,完美时空,网易,阿里,让我觉得.NET很受歧视.清一色的C/C++,JAVA,只有网易有一点.Net的,但是都是非核心的运维工 ...

  7. kudu 虚拟机环境使用

      安装 curl -s https://raw.githubusercontent.com/cloudera/kudu-examples/master/demo-vm-setup/bootstrap ...

  8. 虚拟化环境下的CentOS7网络环境存在的问题

    http://dgd2010.blog.51cto.com/1539422/1592821/ 为什么要进行一次测试? 在使用CentOS7的过程中发现网络部分有很多与CentOS6所不同的地方. 1. ...

  9. logback节点配置详解

    一 :根节点  <configuration></configuration> 属性 : debug : 默认为false ,设置为true时,将打印出logback内部日志信 ...

  10. CentOS之NTP服务器配置

    本文使用CentOS 6.5作为搭建环境 一.服务器端配置 1.安装所需软件包 yum -y install ntp ntpdate---------------------------------- ...