一.匯入庫

　　import numpy as np

二.創建

　　1.numpy中只有一種資料型別：ndarray,表示n維陣列

　　　　創建ndarray陣列：

　　　　　　-由串列或者元組型別創建陣列

　　　　　　-有元組型別創建陣列

　　　　　　-創建特殊陣列

　　2.采用np.array函式來創建，語法為：

　　　　np.array(串列或元組)

　　　　將引數串列或者元組轉換成ndarray型別.相當于強制型別轉換

　　　　　　a=np.array([1,2,3,5,19]) 由串列創建一維陣列

　　　　　　b=np.array([[1,1,1],[2,2,2],[3,3,3]]) 由串列創建二維陣列

　　　　　　a=np.array((1,2,3,5,19)) 由元組創建一維陣列

　　　　　　b=np.array(((1,1,1),(2,2,2),(3,3,3))) 由元組創建二維陣列

　　　　　　b=np.array(([1,1,1],(2,2,2),[3,3,3])) 混搭的，，，

　　　　創建陣列時，可以用dtype指定資料型別：

　　　　　　a=np.array([1,2,3,5,19],dtype=np.int32)

　　　　當不指定dtype的時候，numpy會根據資料自動匹配合適的型別

三.陣列型別的屬性

　　生成一個陣列  :   b=np.array([[1,1,1],[2,2,2],[3,3,3]])

　　.ndim：資料是幾維的：b.ndim的值為2

　　.shape：資料的形狀，即尺寸：b.shape的結果為（3，3）

　　.size： 陣列中元素的數量 b.size的值為9

　　.dtype: 陣列元素的資料型別 b.dtype 的結果為 int32

　　.itemsize：陣列中元素所占的位元組數

四.利用函式創建特殊陣列

　　1.全零陣列

　　　　①np.zeros(shape, dtype = float)

　　　　　　shape為陣列的形狀，是串列型別或者元組型別

　　　　　　dtype是資料的型別，可以是整數或者實數,該引數可以省略

　　　　　　例子：a=np.zeros((3,3),dtype=int),則a里面是一個3*3的全零陣列

　　　　②np.zeros_like(a)

　　　　　　a為一個已知的陣列，np.zeros_like(a)生成一個與a形狀相同的全零陣列

　　　　　　a=np.array([[1,2],[2,3],[3,5]]) # a是一個三行兩列的矩陣

　　　　　　則np.zeros_like(a) 生成一個三行兩列的全零陣列

　　2.全1陣列

　　　　①numpy.ones(shape, dtype)

　　　　　　np.ones: 創建指定形狀的陣列，陣列元素以 1 來填充

　　　　　　例如:np.ones([5,5],dtype=np.int32) #五行五列全是1的陣列

　　　　②np.ones_like(a)

　　　　　　引數a為一個已知的陣列，該函式根據陣列a的形狀生成一個全1的陣列

　　3.全是某個值的陣列

　　①np.full(shape,fill_value)

　　　　根據指定的shape生成一個全是fill_value的陣列

　　　　例如:np.full((4,7),8) #四行七列全是8的陣列

　　②np.full_like(a,8) 生成一個與陣列a相同，且里面元素都是8的陣列

5.np.eye生成單位矩陣

　　np.eye(n)

　　生成一個n行n列的單位矩陣

6.np.arange選定數值范圍創建陣列

　　語法 np.arange(start, stop, step, dtype)

　　start ：起始值，默認為0

　　stop : 終止值（不包含）

　　step : 步長，默認為1

　　dtype ：型別，可以省

　　例子：

　　　　np.arange(10) 　   　　　　　　　#輸出array([0,1,2,3,4,5,6,7,8,9])

　　　　np.arange(2,15) 　   　　　　　　#輸出array([2,3,4,5,6,7,8,9,10,11,12,13,14])

　　　　np.arange(3,20,5)    　　　　　　 #輸出array([3,8,13,18])

　　　　c=np.arange(9).reshape(3,3) 　　 #輸出array([[0, 1, 2],

　　　　　　　　　　　　　　　　　　　　　　　　　  [3, 4, 5],

　　　　　　　　　　　　　　　　　　　　　　　　　  [6, 7, 8]])

　　注意：使用np.arange生成的陣列都是一維的，如何變成多維呢？使用陣列的reshape方法

　　例如：np.arange(100).reshape(10,10)

　　方法的呼叫!!!! 用變數名.方法名

七.創建線性一維陣列

　　np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

　　start : 序列的起始值

　　stop : 序列的終止值,如果endpoint為true,該值包含于數列中

　　num : 要生成的等步長的樣本數量,默認為50

　　endpoint : 該值為True時,數列中包含stop值,反之不包含,默認是True

　　retstep : 如果為True時,生成的陣列中會顯示間距,反之不顯示

　　dtype : ndarray的資料型別

　　例如:a = np.linspace(1,10,10) array([1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])

八.生成隨機陣列

　　1.numpy中有個亂數子庫，叫做np.random，

　　　里面包含很多亂數生成演算法，使用的時候，采用 np.random.方法名 的形式去使用，

　　　　①np.random.rand(d0,d1,...dn) 根據d0,d1,...dn的值生成[0,1)之間均勻分布的隨機陣列，

　　　　②np.random.randn(d0,d1,...dn) 根據d0,d1,...dn的值生成[0,1)之間標準正太分布的隨機陣列，

　　　　③np.random.randint(low,high,shape)在[low,high）區間生成shape形狀的隨機陣列

　　　　　　例如:np.random.randint(1,10,[5,5])

　　　　　　　　np.random.randint(1,10) 生成1-10之間的隨機整數（一個整數）

　　　　④np.random.seed(s) 亂數種子函式 : 引數必須是整數型別

　　　　⑤np.random.shuffle(a) 把陣列a打亂順序

　　　　⑥np.random.choice(a,size,replace=False)

　　　　　　解釋:從陣列a中，隨機等概率選取資料，構成shape形狀的陣列，

　　　　　　　　 當replace的值默認為True，此時，資料可以被重復選取，當不希望重復選取資料的時候，修改replace=False

　　　　⑦np.random.uniform(low,high,size)：在[low，high)之間等概率的抽取元素，產生形狀為size的陣列，

　　　　⑧np.random.normal(loc,scale,size)：產生均值為loc，方差為scale的尺寸為size的符合正態分布的陣列

　　　　⑨np.poisson:生成泊松分布的陣列

九.陣列的變換-改變形狀

　　1.reshape函式： 改變陣列的形狀，不改變陣列元素的個數，原陣列不變，生成一個和原陣列資料一樣的新陣列，

　　　　　　　　　有兩種reshape，一種是np的函式，一種是陣列的方法.

　　　　　　　　   假設a=np.arange(100)， 則a為含有100個元素的一維陣列，則改變a為10*10的陣列，

　　　　　　　　   方法有：

　　　　　　　　       b=np.reshape(a,(10,10)) 　　# np的函式

　　　　　　　　　　b=a.reshape(10,10) 　　　　# 陣列的方法

　　　　　　　　　　b=a.reshape((10,10))

　　　　　　　　　執行完上面的代碼后，b為10*10的陣列，而a還是含有100個元素的1維陣列

　　2.resize((shape),refcheck=True) #refcheck默認是true,自身呼叫時須改成false

　　　　功能與reshape相同，但是改變原陣列

　　　　a.resize((1,9)) a變為一維陣列了，

　　　　①當resize()是用np呼叫的時候，這時需要第一個引數是矩陣本身，然后記得加括號，是改正后 的矩陣維度, 這時有回傳值，可以列印出

　　　　　　例如:>>>a=np.arange(100)

　　　　　　　　>>> b=np.resize(a,(1,9))

　　　　　　　　>>> b

　　　　　　　　輸出:array([[0, 1, 2, 3, 4, 5, 6, 7, 8]])

　　　　②當resize()是矩陣自己呼叫自己時，函式沒有回傳值,因此是None,但是也改變了ndarray的值，

　　　　　這時再列印ndarray就是被resize()改變后的值 ***自身呼叫時,refcheck=False

　　　　　　例如:>>>a=np.arange(100)

　　　　　　>>>a.resize((1,9),refcheck=False)

　　　　　　>>>a

　　　　　　結果:array([[0, 1, 2, 3, 4, 5, 6, 7, 8]])

十.陣列的變換-扁平化

　　1.flatten()函式，陣列扁平化，也就是把多維陣列變成一維陣列，但是原陣列不變，

　　　　假設a是一個二維陣列，則a.flatten()，得到一個按行展開的一維陣列

　　　　例如:>>>a=np.random.randint(1,5,[3,3])

　　　　>>>a

　　　　結果:array([[4, 2, 2],

　　　　　　　　　 [4, 1, 1],

　　　　　　　　     [1, 3, 2]])

　　　　>>>a.flatten()

　　　　結果:array([4, 2, 2, 4, 1, 1, 1, 3, 2])

　　　　>>>a

　　　　結果:array([[4, 2, 2],

　　　　　　　　　 [4, 1, 1],

    　　　　　　　　[1, 3, 2]])

　　2.a.astype()函式  改變型別的函式

　　　　b=a.astype(np.float16)，生成一個新陣列，新陣列中與原陣列元素相同，型別不同，

　　　　注意：原陣列型別不發生變化

　　　　例如:>>>a=np.random.randint(1,5,[3,3])

　　　　　　>>>a

　　　　　　結果:array([[4, 2, 4],

　　　　　　　　　　　 [2, 3, 4],

　　　　　　　　　　　 [1, 1, 4]])

　　　　　　>>>a.astype(np.float16)

　　　　　　結果:array([[4., 2., 4.],

　　　　　　　　　　　 [2., 3., 4.],

　　　　　　　　　　　[1., 1., 4.]], dtype=float16)

　　　　　　>>>a

　　　　　　結果:array([[4, 2, 4],

　　　　　　　　　　　 [2, 3, 4],

　　　　　　　　　　　 [1, 1, 4]])

　　3.a.tolist()函式 把陣列a變成串列

　　　　a.T 與a.transpose() 陣列的轉置 ,都不改變原陣列

　　　　例如:>>>a=np.random.randint(1,5,[3,3])

　　　　>>>a

　　　　結果:array([[4, 4, 4],

　　　　　　　　　 [3, 4, 2],

　　　　　　　　　 [3, 3, 1]])

　　　　>>>a.tolist()

　　　　結果:[[4, 4, 4], [3, 4, 2], [3, 3, 1]]

　　　　>>>a.T

　　　　結果:array([[4, 3, 3],

　　　　　　　　　 [4, 4, 3],

　　　　　　　　　 [4, 2, 1]])

　　　　>>>a.transpose()

　　　　結果:array([[4, 3, 3],

　　　　　　　　　 [4, 4, 3],

　　　　　　　　　 [4, 2, 1]])

　　　　>>>a

　　　　結果:array([[4, 4, 4],

　　　　　　　　　 [3, 4, 2],

　　　　　　　　　 [3, 3, 1]])

十一.常用函式及其使用

　　1.統計函式　　　

　　　　使用方法:①np.函式名 ②陣列變數.函式名

　　　　　　舉例:

　　　　　　　　求和：

　　　　　　　　np.sum(a) 和 a.sum()： 求陣列a中所有元素的和，

　　　　　　　　np.sum(a,axis=0)和 a.sum(axis=0) ： 對陣列a按行求和

　　　　　　　　np.sum(a,axis=1)和 a.sum(axis=0) ： 對陣列a按列求和

　　　　　　　　求均值

　　　　　　　　np.mean(a)和a.mean() 求陣列a中所有元素的均值

　　　　　　　　np.mean(a，axis=0)和a.mean(axis=0) 求陣列a中所有列的均值

　　　　　　　　np.mean(a，axis=1)和a.mean(axis=1) 求陣列a中所有行的均值

　　　　　　其它統計函式的用法類似

　　2.數學函式 

　　3.舍入函式

　　4.排序函式　　

　　　　np.sort(a, axis, kind)：對陣列a按axis所指定的軸進行排序，排序采用kind引數指定的演算法，kind引數可以省略

十二.陣列的索引與切片

　　1.一維陣列的索引和切片

　　　　索引：a[0]，a[-1]

　　　　切片：陣列名[起始位置：結束位置：步長] a[1:10:2]

　　2.多維陣列的索引和切片

　　　　索引：a[0,5,7] 多個維度之間用逗號分隔，

　　　　　　　a[0,5,7]表示 第一維資料，選第0個，第2維資料，選第5個，第三維資料，選第7個

　　　　切片: ①選擇多行: a[起始行：結束行]

　　　　　　 ②格式: a[m:n，p:q] 第一維選擇m到n行，不包括n，第2維選擇p到q列，不包括q

　　3.串列做索引:

　　　　①選擇多行，把多行包裝成串列，作為索引，

　　　　　　如：a[[0,3]]表示選擇第0行和第3行，當選擇整行，不考慮列的時候，可以不寫列

　　　　②np.ix_函式: 能把兩個一維陣列 轉換為 一個用于選取方形區域的索引器，

　　　　　　　　　　 實際意思就是，直接往np.ix_()里扔進兩個一維陣列[1,3]，[2,4,5]，就能先選1，3行，再選2，4，5列，

　　　　④布爾索引--條件索引

　　　　　　大于5的數: a[a>5]

　　　　　　能被5整除的數a[a%5==0]

　　　　　　既能被2整除，又大于5的數：b=a[a%2==0] c=b[b>5]

十三.ndarray型別資料的運算　

　　1.陣列與標量（單個資料）之間的運算：相當于陣列中的每個元素與標量之間的運算，例如：a=np.arange(10).reshape(2,5) a+5，相當于a中每個元素都加了5，

　　2.資料規范化

　　　　如何規范化：隨機生成一個二維陣列，對陣列進行規范化，即陣列中每個元素減去陣列元素的均值除以陣列元素的方差：

　　　　a=a.mean()/a.std()

　　3.numpy中一元函式：作用到元素上

　　　　對陣列運算，實際上是對陣列中每個資料進行運算，

　　　　np.abs() 求陣列中各個元素的絕對值，結果可以是整數或者實數

　　　　np.fabs() 求陣列中各個元素的絕對值，結果是實數

　　　　np.sqrt() 求陣列中各個元素的平方根

　　　　np.log np.log10 np.log2 計算陣列中各個元素的自然對數、以10為底的對數， 以2為底的對數

　　　　np.ceil()和np.floor分別表示的是對陣列中各個元素進行取整

　　　　np.rint()對陣列中每個元素進行四舍五入

　　　　np.sin() np.cos() np.tan() np.cosh() np.sinh() np.tanh() 對陣列中的每個元素進行三角運算，

　　　　np.sign() 計算陣列中每個元素的符號值，結果為1，0，或-1分別表示正數，0和負數

　　　　np.exp() 計算陣列中每個元素的指數值

　　4.numpy中的二元函式和二元運算

　　　　兩個同尺寸的陣列加減乘除，相當于對應元素的加減乘除

　　　　np.maximum(a,b) 求兩個陣列a和b對應元素的最大值

　　　　np.minimum(a,b) 求兩個陣列a和b對應元素的最小值

　　　　np.mod(a,b) a中元素除以b中元素的余數

　　　　np.copysign(x,y) 將陣列y中各元素的符號賦值給x中元素的符號

　　　　關系運算子號：> 、>=、< 、<= 、 ==、 !=對應元素進行比較

　　　　a[a>b] 在a中找出比陣列b大的數

標籤：Python

上一篇：求幫忙，這個有點迷奧

下一篇：macos 安裝frida的坑