Python模块之Numpy

深碍√TFBOYSˉ_ 2023-07-25 12:35 4阅读 0赞

### Numpy ###

*  1.数组属性
 *  2.数组生成
 *  3.形状改变
 *  4.类型修改
 *  5.数组去重
 *  6.逻辑运算
 *  7.统计指标
 *  8. 广播
 *  9. 矩阵运算
 *  10.合并与分割
 *  11.文件读写
 *  12. 输出样式

官方文档: https://numpy.org/doc/stable/reference/arrays.html

# 1.数组属性 #

数组属性反映了数组本身固有的信息。

<table> 
 <thead> 
  <tr> 
   <th align="center">属性名字</th> 
   <th align="center">属性解释</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">ndarray.shape</td> 
   <td align="center">数组维度的元组</td> 
  </tr> 
  <tr> 
   <td align="center">ndarray.ndim</td> 
   <td align="center">数组维数</td> 
  </tr> 
  <tr> 
   <td align="center">ndarray.size</td> 
   <td align="center">数组中的元素数量</td> 
  </tr> 
  <tr> 
   <td align="center">ndarray.itemsize</td> 
   <td align="center">一个数组元素的长度（字节）</td> 
  </tr> 
  <tr> 
   <td align="center">ndarray.dtype</td> 
   <td align="center">数组元素的类型</td> 
  </tr> 
 </tbody> 
</table>

# 2.数组生成 #

*  生成0和1数组
    
     *  np.empty(shape\[, dtype, order\]) empty\_like(a\[, dtype, order, subok\])  
        eye(N\[, M, k, dtype, order\])
     *  np.identity(n\[, dtype\])
     *  **np.ones(shape\[, dtype, order\])**
     *  np.ones\_like(a\[, dtype, order, subok\])
     *  **np.zeros(shape\[, dtype, order\])** zeros\_like(a\[, dtype, order, subok\])  
        full(shape, fill\_value\[, dtype, order\])
     *  np.full\_like(a, fill\_value\[, dtype, order, subok\])
 *  从现有数组生成
    
     *  **np.array(object\[, dtype, copy, order, subok, ndmin\])**
        
         *  从现有的数组中创建
     *  **np.asarray(a\[, dtype, order\])**
        
         *  相当于建立索引
     *  np.asanyarray(a\[, dtype, order\]) ascontiguousarray(a\[, dtype\])
     *  np.asmatrix(data\[, dtype\])
     *  **np.copy(a\[, order\])**
 *  生成固定范围的数组
    
     *  np.linspace (start, stop, num, endpoint, retstep, dtype)
        
         *  生成等间隔的序列
         *  start 起始值
         *  stop 终止值
         *  num 个数默认50
         *  endpoint 是否包含stop的值 默认为True
         *  retstep True 返回样例
         *  dtype 数据类型
     *  np.arange(start,stop, step, dtype)
     *  np.logspace(start,stop, num, endpoint, base, dtype)
 *  生成随机数组
    
     *  均匀分布
     *  np.random.rand(*d0*, *d1*, *…*, *dn*)
        
         *  \[0, 1\]之间
     *  np.random.uniform(low=0.0, high=1.0, size=None)
        
         *  \[low, high)之间 小数
     *  np.random.randint(*low*, *high=None*, *size=None*, *dtype=‘l’*)
        
         *  整数
     *  正态分布
     *  np.random.randn(*d0, d1, …, dn*)
        
         *  标准正态分布
     *  **np.random.normal(loc=0.0, scale=1.0, size=None)**
        
         *  loc 均值 scale 标准差
     *  np.random.standard\_normal(*size=None*)
        
         *  指定形状的标准正态分布

# 3.形状改变 #

*  ndarray.reshape() 返回转换后的数组
 *  ndarray.resize() 替换原来的数组
 *  ndarray.T 转置 行列互换

# 4.类型修改 #

*  ndarray.astype()
 *  ndarray.tostring()
 *  ndarray.tobytes()

# 5.数组去重 #

*  np.unique()

# 6.逻辑运算 #

import numpy as np
    stock_change = np.random.normal(0, 1, (8, 10))
    stock_change = stock_change[0:5, 0:5]
    # 值大于0.5 设置为1
    stock_change[stock_change > 0.5] = 1

*  np.all() 所有
 *  np.any() 任意
 *  np.where(条件, 为真处理, 为假处理) 三元运算符
    
     *  np.where(stock\_change > 0.5, 1, 0) 值大于0.5 的设为1, 否则为0
     *  复合逻辑
     *  多个条件 and : np.logical\_and()
     *  多个条件 or : np.logical\_or()
     *  多个条件也可以直接将条件用括号(), 中间用& | 表示条件的与或
     *  如 np.where((条件1) & (条件2))

# 7.统计指标 #

*  ndarray.min() 最小值
 *  ndarray.argmin() 最小值的位置
 *  ndarray.max() 最大值
 *  ndarray.argmax() 最大值的位置
 *  ndarray.mean() 平均值
 *  ndarray.std() 标准差
 *  ndarray.var() 方差
 *  np.median(ndarray) 中位数 np才有这个方法
 *  多维数组 通过axis 指定基于某个纬度 计算 a.min(axis=1)

# 8. 广播 #

*  两个array 的形状 倒过来 从尾部开始比较, 对应数字相等 或其中任意一个为1 才可以广播
    
     *  (2, 5) 和 (5,)
     *  (2, 3, 2, 4) 和 (1, 2, 1)

# 9. 矩阵运算 #

*  矩阵必须是2维的, 相乘必须满足形状 (m,n) \* (n, l) = (m, l)
 *  np.mat() 将数组转换为矩阵, 矩阵必须是2维的, 转成了matrix类型
 *  矩阵相乘 必须要注意纬度, 可以利用reshape()转换
    
     *  matrix类型 直接用 \* 相乘
     *  array类型 np.dot() 和 np.matmul()

# 10.合并与分割 #

*  np.concatenate() 通过axis=0 / 1 控制 水平/垂直合并
 *  np.hstack() 水平合并
 *  np.vstack() 垂直合并
 *  np.split()
    
     *  np.split(x, 3) 平均切分3份
     *  指定切分点 np.split(x, \[2, 7\]) 索引为2 和7 作为切分点

# 11.文件读写 #

[传送门][Link 1]

# 12. 输出样式 #

# 浮点精度为4,完整输出
    np.set_printoptions(precision=4, suppress=True, threshold=np.nan)

[Link 1]: https://blog.csdn.net/linzi1994/article/details/116940017