In [1]:
import numpy as np
ndarray¶
In [2]:
np.ones([5,5])
Out[2]:
In [3]:
np.zeros((2,2,2))
Out[3]:
In [4]:
arr1 = np.ones([5,5])
arr1.shape
Out[4]:
Dtype¶
In [5]:
arr1.dtype
Out[5]:
In [6]:
np.empty((3,2),dtype=np.float64)
Out[6]:
In [7]:
np.arange(15) #type of result is ndarray
Out[7]:
In [8]:
a=[1.3,2.5,3.7,8.4,5.8,6.9]
a=np.array(a)
#or a=np.asarray()
In [9]:
np.eye(3)
Out[9]:
In [10]:
a.astype(np.int8)
Out[10]:
ndarray的运算¶
In [11]:
a*a
Out[11]:
In [12]:
1/a
Out[12]:
索引与切片¶
In [13]:
a=[1.3,2.5,3.7,8.4,5.8,6.9]
print a
a=np.array(a)
a_slice = a[2:5]
a_slice[1] = 15
print a
In [14]:
a=[1.3,2.5,3.7,8.4,5.8,6.9]
print a
a=np.array(a) #!!! or it won't work
a_slice = a[2:5].copy()
a_slice[1] = 15
print a
In [15]:
a=[1.3,2.5,3.7,8.4,5.8,6.9]
print a
#a=np.array(a)
a_slice = a[2:5]
a_slice[1] = 15
print a
In [16]:
print arr1[3][4]
print arr1[3,4]
布尔型索引¶
In [17]:
np.random.randn(4,4)
Out[17]:
In [18]:
from numpy.random import *
d=randn(6,3)
print d
In [19]:
names = np.array(['A','B','c','A','a','D'])
names == 'A'
Out[19]:
In [20]:
d[names == 'A'] #output row 1 and 4 only
Out[20]:
In [21]:
d[names == 'A',2]
Out[21]:
In [22]:
d[names == 'A', 1:2]
Out[22]:
In [23]:
d[names != 'A']
Out[23]:
In [24]:
d[~(names == 'A')]
Out[24]:
花式索引(Fancy indexing)¶
In [25]:
arr = np.empty((8,4))
for i in range(8):
arr[i]=i
arr
Out[25]:
In [26]:
arr[[1, 7, 2, 4, 5]]
Out[26]:
In [27]:
arr[[-1, -2, -3]]
Out[27]:
In [28]:
arr = np.arange(32).reshape((8,4))
arr
Out[28]:
In [29]:
arr[[1,5,7,2],[0,3,1,2]]
Out[29]:
In [30]:
arr[[1,5,7,2]][:,[0,3,1,2]]
Out[30]:
In [31]:
arr[np.ix_([1,5,7,2],[0,3,1,2])]
Out[31]:
- 花式索引与切片不同，它总是将数据复制到新数组中。
数组转置和轴对换¶
In [32]:
print arr
print '-'*20
print arr.T
In [33]:
np.dot(arr.T,arr)
Out[33]:
对于高维数组，transpose需要得到一个由轴编号组成的元组才能对这些轴进行转置
In [34]:
arr = np.arange(16).reshape((2,2,4))
arr
Out[34]:
In [35]:
arr.transpose((1,0,2))
Out[35]:
In [36]:
arr.swapaxes(1,2)
Out[36]:
通用函数：快速的元素级数组函数¶
部分一元ufunc函数:
| 一元ufunc函数 | 说明 |
|---|---|
| abs、fabs | 计算绝对值，后者只适用于非复数值但更快 |
| log、log10、log2、log1p | 前三个分别为底数为e,10,2的log，第四个为底数为2的log(x+1) |
| sign | 计算正负号 |
| ceil | 计算ceiling值，即大于该值的最小整数 |
| floor | 计算floor值，即小于该值的最大整数 |
| rint | 四舍五入到整数，保留dtype |
| modf | 将数组的小数和整数部分以两个独立数组的形式返回 |
| isnan | 返回一个表示“哪些是NaN”的布尔型数组 |
| isfinite、isinf | 返回一个表示“哪些是有穷（无穷）”的布尔型数组 |
| 二元ufunc函数 | 说明 |
|---|---|
| add、substract、multiply、devide | 将数组中的元素相加/相减/相乘/相除 |
| floor_devide | 向下圆整除法（丢弃余数） |
| power | 计算A^B |
| maximum/minimum/fmax/fmin | 最大/最小值，后两个会忽略NaN |
| mod | 取模 |
| copysign | 将第二个数组中的值复制给第一个数组中的值 |
| greater/greater_equal/less/less_equal/equal/not_equal | >、>=、<、<=、=、!=，返回布尔型数组 |
利用数组进行数据处理¶
In [37]:
points = np.arange(0,10,1)
points
Out[37]:
In [38]:
x, y = np.meshgrid(points,points)
In [39]:
x
Out[39]:
In [40]:
y
Out[40]:
In [41]:
import matplotlib.pyplot as plt
z = np.sqrt(x**2 + y **2)
z
Out[41]:
In [42]:
plt.imshow(z, cmap=plt.cm.gray);plt.colorbar();
plt.title("Image plot of $\sqrt{x^2 + y^2}$ for a grid of values")
plt.show()
将条件逻辑表述为数组运算¶
In [43]:
x = np.arange(1.1, 1.6, 0.1)
y = np.arange(2.1, 2.6, 0.1)
cond = np.array([True, False, True, True, False])
x,y
Out[43]:
numpy.where是一个三元函数：
In [44]:
np.where(cond,x,y) #if True, output the value in x, or output the value in y
Out[44]:
数学和统计方法¶
In [45]:
arr = np.random.rand(5,4)
arr
Out[45]:
In [46]:
arr.mean()
Out[46]:
In [47]:
np.mean(arr)
Out[47]:
In [48]:
arr.sum()
Out[48]:
In [49]:
arr.mean(axis=1)
Out[49]:
In [50]:
arr = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
In [51]:
arr
Out[51]:
In [52]:
arr.cumsum(0)
Out[52]:
In [53]:
arr.cumsum(1)
Out[53]:
In [54]:
arr.cumprod(0)
Out[54]:
In [55]:
arr.argmax()
Out[55]:
In [56]:
arr.argmin()
Out[56]:
排序¶
In [57]:
arr = randn(8)
arr
Out[57]:
In [58]:
arr.sort()
arr
Out[58]:
In [59]:
arr = randn(5,4)
arr
Out[59]:
In [60]:
arr.sort(1)
arr
Out[60]:
唯一化以及其他的集合逻辑¶
In [61]:
ints = np.array([1,1,1,1,2,2,2,3,4,4,4,5,5])
np.unique(ints)
Out[61]:
In [62]:
a= np.array([1,2,3,4,5])
b= np.array([2,3,4,5,6])
np.intersect1d(a,b)
Out[62]:
In [63]:
np.union1d(a,b)
Out[63]:
In [64]:
np.in1d(a,b)
Out[64]:
In [65]:
np.setdiff1d(a,b)
Out[65]:
In [66]:
np.setxor1d(a,b)
Out[66]:
存取文本文件¶
- np.loadtxt()
- np.savetxt()
线性代数¶
In [67]:
np.dot(x,y)
Out[67]:
In [68]:
x.dot(y)
Out[68]:
In [69]:
from numpy.linalg import inv, qr
numpu.linalg中常用函数：
| 函数 | 说明 |
|---|---|
| diag | 返回对角线上的元素（一维数组） |
| dot | 矩阵乘法 |
| trace | 计算矩阵的迹 |
| det | 计算矩阵的行列式 |
| eig | 计算矩阵的特征值，特征向量 |
| inv | 计算矩阵的逆 |
| pinv | 计算矩阵的Moore-Penrose伪逆 |
| qr | 计算QR分解 |
| svd | 计算奇异值分解 |
| solve | 解线性方程Ax=b,其中A为一个方阵 |
| lstsq | 计算Ax=b的最小二乘解 |