import numpy as np
一. numpy 的 array 使用
array = [1,2,3,4]
array = np.array([1,2,3,4]) #转变为了数组，增加了功能
array + 1
#---out---
#array([2, 3, 4, 5])
#运算后只输出，不更改自身
#还可以和其他的列表进行相加，例如下面的列表array1
#但是列表的数量必须一致
#可以通过 len(array) 或者 array.shape 来查看array的数量
#查看array的其中一个值，可以通过 array[数字] 来获得，索引是从 0 开始的
array1 = [1,2,3,4]
array1 + 1
#---out---
#---------------------------------------------------------------------------
#TypeError Traceback (most recent call last)
#<ipython-input-12-20ed89ee23de> in <module>
#----> 1 array1 + 1
#TypeError: can only concatenate list (not "int") to list
print(type(array))
#<class ‘numpy.ndarray’>
#属性是 ndarray
numpy为了底层计算的高效性 会默认要求里面都是同样的类型
不同的时候，会自动默认转换
例如 float 类型都会转换成 字符串
例如：
array = [1,2,3,4,'5']
array = np.array(array)
array
OUT：array([‘1’, ‘2’, ‘3’, ‘4’, ‘5’], dtype=‘<U21’)
tang_array.itemsize #查看占了多少字节。int64 和 int32不同
#操作系统不同则类型不同 int64 是8 ，int32 是4
array.shape
out：(5,)
#显示了有多少个数字，并且是以数组的形式输出的
例如：array.size 或 np.size(X) 只显示总数，不显示维度 out: 5
使用起来和列表的规则基本相同，索引切片 也是支持的，规则也是左包含，右不包含
二. numpy 多维的使用
test_array = np.array([ [1,2,3],
[4,5,6],
[7,8,9]])
test_array.shape
#out: (3,3) 这里显示的是3行3列
test_array.size
#out: 9
#多维取值：
test_array[1,1]
#得到第一行 的第一列的值 得到 5
#所有行的第一列
test_array[:,1]
#第0行的，前两列
test_array[0,0:2]
#修改定位的点,例如第一列的第一行
test_array[1,1] = 10
# 想要深度拷贝 ndarray 属性的值, 如果直接 = 则是只是复制了 内存指针。
test_array2 = test_array.copy()
array.fill(0)
#将里面的值都刷新为 0
三. numpy array 的 类型
- dtype=object
np.array([array,array2],dtype=object)
array([array([1, 2, 3, 4]), list([10, 20, 30])], dtype=object)
array = np.array([1,2,3,4,'5'])
out: array([‘1’, ‘2’, ‘3’, ‘4’, ‘5’], dtype=‘<U21’)
#默认都转换成了字符串
array = np.array([1,2,3,4,'5'],dtype = np.object)
out: array([1, 2, 3, 4, ‘5’], dtype=object)
#得出的结果是什么都可存了
array * 2 #如果所有类型都有相同的同一个方法，例如字符串也可以*2 , ‘5’ 就变成了 ’55‘, 但是不支持 加法
- dtype=bool
array = np.array([1,2,3,4,5],dtype = np.float64)
新版本dtype不能直接写 float64 或者 float32
可以
mask = np.array([0,0,0,2,4,5],dtype=bool)
array([False, False, False, True, True, True])
#大于 0 的都是True
array = [1,2,3,4,5,6]
array = np.array(array)
array[mask]
out: 4,5,6
bool类型的快速生成：
array支持 > < 判断
例如：
random_array = np.random.rand(10)
random_array > 0.5
out: array([False, True, False, False, False, True, False, False, False,
True])
- dtype float
test_array = np.array([1,2,3,4,5],dtype=float)
in : test_array.dtype
out： float64 #每个占用8字节
in: test_array.nbytes
out: 40
- 转变类型
test_array.astype(np.float32)
不改变原值，会输出计算后的值
四. array 的计算
- 加法
np.sum(test_array,axis=0)
或
test_array.sum(axis=0)
axis=0 #以 X 为轴进行纵列计算
axis=1 #以列为轴 进行 横统计
axis=-1 #相当于最后一个轴
test_array.ndim
#查看数据目前有几个轴
- 乘法，乘积
test_array.prod()
out : 720 # 等价于 1 * 2 * 3 * 4 * 5 * 6
test_array.prod(axis=0)
out: array([ 4, 10, 18])
- 求最大最小值，索引位，均值
test_array.min(axis=0)
#以 X 为轴，求每列的最小值
test_array.max(axis=0)
#以X为轴，求每列的最大值
test_array.argmin(axis=0)
#以X为轴 ，求每列的最小值的索引位
test_array.mean(axis=0)
#以X为轴，求均值
- 求标准差
test_array.std(axis=0)
#以X为轴，求均值
- 求方差
test_array.var(axis=0)
- 限制级
test_array.clip(2,4)
#小于 2 的数字 都会转换为 2。
#大于 4 的数字 都会转换为 4。
四舍五入, 对小数进行计算
test_array.round()
对小数点后几位，进行精度输出
test_array.round(decimals=1)
- 排序
numpy进行排序
test2_array = ([[1.5,1.3,1.8],
[2.4,1.1,3.5]])
test3_array = np.array(test2_array)
np.sort(test3_array)
out: array([[1.3, 1.5, 1.8],
[1.1, 2.4, 3.5]])
显示排序后，现在的数字的原来的索引是多少
np.argsort(test3_array)
生成数字
np.linspace(0,10,10)
生成数字 从 0 开始，到 10 结束，按规则生成 10 个数字
- 指定条件进行排序
test2_array = ([1.5,1.3,1.8],
[3.2,2.3,1.2],
[1.5,3.3,3.5],
[4.1,4.3,1.8])
test3_array = np.array(test2_array)
index = np.lexsort([-1*test3_array[:,0],test3_array[:,2]])
#第三列做升序，在第三列相等的情况下，第一列做降序
index
test4_array = test3_array[index]
test4_array
out：
array([1, 3, 0, 2])
array([[3.2, 2.3, 1.2],
[4.1, 4.3, 1.8],
[1.5, 1.3, 1.8],
[1.5, 3.3, 3.5]])
五.array 多维度操作扩展
- 多维度增加，减少，转换
test_array = test_array[: , np.newaxis , np.newaxis]
test_array.shape
增加了空的shape值，空的维度
可以压缩回去。将没用的维度缩减
test_array = test_array.squeeze()
test_array.shape
test_array.T
#行列位置转换
- 拼接
test_ALL_array = np.concatenate((a,b))
test_ALL_array
#拼接在一起，将两个相同的数组进行拼接
还可以选择是横着拼或者竖着拼，如下
test_ALL_array = np.concatenate((a,b),axis = 0)
test_ALL_array
#另一种方式
np.vstack((a,b)) #竖着拼
#或者
np.hstack((a,b)) #横着拼
- 拉平
a.ravel()
#或者
a.flatten()
六.np核心命令
np.arange(2,20,2, dtype=np.float32)
#从 2 开始到 20 每两个数字一跳
np.linspace(0,10,50)
#从 0 到 10 构建 50 个数字
np.logspace(0,10,5)
#生成大数字
x, y = np.meshgrid(x,y)
#构造网格 , 假如 X 只有3个数字，X会构成3*3的多维数组
#y 同理。 比较像立体
np.r_[0:10:1]
#构造横向量
np.c_[0:10:1]
#构造竖向量
#填充一个3 x 3 的图形
np.ones((3,3))
out:
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
np.ones((3,3)) * 8
np.ones((3,3),dtype = np.float32) * 8
out:
array([[8., 8., 8.],
[8., 8., 8.],
[8., 8., 8.]], dtype=float32)
随即填充几个值
a = np.empty(10)
array([0.0e+000, 4.9e-324, 9.9e-324, 1.5e-323, 2.0e-323, 2.5e-323,
3.0e-323, 3.5e-323, 4.0e-323, 4.4e-323])
np.zeros_like(a)
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
生成中间对称 1 边缘为 0 的 5*5 图形
np.identity(5)
相乘
np.multiply(x,y)
矩阵相乘
np.dot(x,y)
把Y的单维度变成多维
y.shape = (1,2)
把X的单维变成多维 两行1列
x.shape = (2,1)
判断
x = np.array([1,2,1])
y = np.array([[1,2,1],[2,2,2]])
x == y
array([[ True, True, True],
[False, True, False]])
numpy的随机模块
随机生成 2 * 2 的矩阵
np.random.rand(2,2)
生成 int 类型的 10 以内的随机数，大小为 3 * 3
np.random.randint(10, size = (3,3))
设置随机数小数点后有几位
np.set_printoptions(precision = 2)
0 到 1 直接随机出现30个数字
a = np.random.normal(0,0.1,30)
重新获取随机数字
np.random.shuffle(a)
设定随机数字的时候，可以手动设置随机的种子是多少。
每个种子代表一种确定的随机方法。这样获取的随机数就是一定的了。
np.random.seed(0)
np.random.normal(0,0.1,10)
写入文件
%%writefile test.txt
1 2 3 4 5 6
2 3 4 5 7 8
读 文件 转换成 数组
data = []
with open('test.txt') as f:
for line in f:
fileds = line.split()
cur_data = [float(x) for x in fileds]
data.append(cur_data)
data = np.array(data)
data
也可以直接loadtxt, 默认是 空格 为分隔符
np.loadtxt('test.txt')
指定分隔符
np.loadtxt('test.txt', delimiter = ',')
读取的时候去掉第一行
np.loadtxt('test.txt', delimiter = ',' , skiprows = 1)
#文件最好和代码放在一起，这样直接打文件名就可以了
#也可以使用哪几列，例如。usecols = (0 , 1, 4)
#指定使用那几列
保存 数组 a 是数组
np.savetxt('test3.txt',a , fmt = '%d')
np.savetxt('test3.txt',a , fmt = '%d' ,delimiter = ',')
保存数组到一个文件
np.savez('testA.txt',a=a ,b=b)
载入文件中的内容
data = np.load('testA.txt.npz')
a = data.keys()
for i in a:
print(i)
data['a']
#或者
data['b']
一个数组是npy
多个数组是npz
