写在前面

这里只是把一些Numpy的基本的使用语法记录下来了，并没有详细的解释啥的，仅仅作为笔记使用，之后有时间会慢慢修改补充的。

Numpy

Numpy是一种高效运算工具
Numpy的基本数据结构是ndarray，其实就是数组:smile:
ndarray 只存储同一类型的数据，也就是说你并不能在一个变量中既存储字符有存数字，这点和数组一样
Numpy专门针对ndarray进行了优化，所以比python的list操作更快，底层是用C语言编写，内部解除了GIL（全局解释器锁）

定义ndarray数组

import numpy as np
ndarray = np.array([[1,2,3],[1,2,3],[4,5,6]])    

a = [1,2,3]
b = [ [1,2,3] , [3,4,5] ]
c = [ [ [1,2,3] , [9,7,5] ], [ [1,2,5] , [6,4,2] ] ]
np.array(a)  # 一维数组
np.array(b)  # 二维数组  两行三列
np.array(c)  # 三维数组  两页两行三列

mat = np.array((1,2,3,4,5))              
mat.shape     # mat其实是一维列数组，只是看起来像是行数组，使用shape就可以发现mat的行数是5

ndarray的复制

np.array()        # 深拷贝
np.asarray()      # 浅拷贝   当原数据改变时，此数据也会变
np.copy()         # 深拷贝

data = np.array([1,2,3,4,5])
x = np.array(data)
y = np.asarray(data)
z = np.copy(data)      # z = data.copy()
# 当修改data数据后，array和copy并不会随着data变化，而asarry却会随着data同时变化，可以理解为asarry复制的是data存放的地址，而array和copy是复制的数值

示例：当修改data中的数据后，x，z都不变，而y却发生了改变

常用属性

ndarray.shape    # ndarray类型的数组的行列数
ndarray.size     # 数组的总的元素个数
ndarray.ndim	 # 数组维数
ndarray.dtype    # ndarray值的类型  也可以在ndarray定义的时候指定数据类型

生成特殊的数组

1 2	np.ones((3,4)) # 生成3行4列，元素都为1的数组 np.zeros([3,4],dtype="int64") # 生成3行4列，元素都为0的数组, 数据类型是int64

data1 = np.random.rand(100,1)    # 参数是行,列 返回100行1列的数组，单个元素取值0-1之间，且满足均匀分布
data2 = np.random.randn(10,1)   # 参数是行，列 返回几行几列的数组,数据满足正态分布
data3 = np.random.randint(1,10,100)   # 返回100个数，每个数都是1-9之间的整数,如果没有第三个参数就只返回一个值

"""需要注意的是，如果括号中参数数量，导致结果的区别"""
# 如果无参数，则返回一个常数值，如果是一个参数，则返回一个只有一个值的列表，如果是两个参数，则返回的是二维数组

1
2
3

# 生成固定范围的随机的一维数组
np.linspace(1,10,20)    # 生成1-10内20个等间距的数
np.arange(1,10,2)       # 和range一个作用，起始位置，终止位置，步长

# para1：最小值；para2：最大值，para3：取值数量   所生成的100个数据服从均匀分布
np.random.uniform(1,3,100)   
# para1：均值；para2：方差,para3:取值数量   所生成的3行4列的数据服从正态分布
np.random.normal(0,1,(3,4))

索引、切片

data = np.random.normal(loc=0,scale=1,size=[8,10])
data[0,0:3]       # 第0行的第0列，第1列，第2列数据
data[:,:3]       # 所有行的前三列
data[1,1]        # 第1行第1列数据     和数组的索引方式一样

修改ndarray的形状

1
2
3

data.reshape(10,8)  # 将8行10列的数据 转成了10行8列的数据，返回新的数据，并不会修改原始数据，如果将参数设为-1，那么
data.resize(10,8)   # 将8行10列的数据 转成了10行8列的数据，不返回值，在原始的数据上进行修改
data.T    # 矩阵转置

ndarray数据类型修改

1	data.astype("int32") # 改成int型数据data.tostring() # 转成字符串型数据

ndarray去重

1 2	np.unique(data) # 删除所有重复的数据，并将未被删除的的数据往前填充空位 # set方法也能去重，但是只能用于一维数组

ndarray运算

逻辑运算

data = np.random.normal(0,1,(8,10))         
# 生成数据
# 逻辑判断，如果数值大于某个值判为true，小于就判为false
data = data>0.5           # 判断函数
np.all(data)       # 当所有数据都为True时，才返回True  如果数据中只要有一个false就返回false
np.any(data)       # 也可以data.any();只要有一个True就返回true，全是false才会返回false

布尔索引

1 2	# 布尔索引，找出data中所有大于0.5的数据data[data>0.5]# 找出data中所有大于0.5的数据，令它们都为2 data[data>0.5]=2

三元运算符

1 2	np.where(data>1,1,0) # parameter1: 判断条件 parameter2：满足判断条件后执行的语句 parameter3：不满足判断条件后执行的语句

统计运算

# 统计运算    最小值，max,mean,median
data = np.random.normal(0,1,(8,10))np.max(data)       # 或者data.max()  data中的最大值
data.max(axis=1)    # axis修改轴，每列的最大值
data.max(axis=0)     # 每行的最大值
np.mean(data,axis=1)  # data的均值
np.argmax(data)        # 返回最大值所在的位置

判断函数

1 2	np.all(data) # 当所有数据都为True时，才返回True 如果数据中只要有一个false就返回false np.any(data) # 只要有一个True就返回true，全是false才会返回false

数组与数的运算

1
2
3

data +1      # data数组中所有的元素 +1
data*2       # data数组中所有的元素 *2
data/2

广播机制

广播机制其实不难，不过看视频可能更加详细、形象 B站视频链接

1
2
3

data +1      # data数组中所有的元素 +1
data*2       # data数组中所有的元素 *2
data/2

矩阵运算

两种方法存储矩阵

1.ndarray

2.matrix

1	np.mat([80,86]) # matrix存储

矩阵运算

1	a = np.matrix([[1,2,3,4],[2,3,4,5]])b = np.matrix([[1],[2],[3],[4]])a*ba+ba= [[1,0],[0,1]]inv = np.linalg.inv(a)

矩阵/数组合并

a = np.array([[1,2,3],[4,5,6]])
b = np.array([[0,9,8],[9,8,7]])
data1 = np.hstack((a,b))       # 水平合并   h:horizon
data2 = np.vstack((a,b))       # 垂直合并   v:vertical
x = np.c_[a,b]    # 矩阵左右进行堆叠   hstack   []而不是()
y = np.r_[a,b]    # 矩阵上下进行堆叠   vstack