NumPy学习（1）

参考资料：

1. http://www.cnblogs.com/zhanghaohong/p/4854858.html
2. http://linusp.github.io/2016/02/25/creation-and-io-of-ndarray.html

数组的创建
数组属性
数组元素获取-普通索引、切片、布尔索引、花式索引
统计函数与线性代数运算
随机数的生成

NumPy数组:NumPy数组是一个多维数组对象，称为ndarray。

数组的创建

一维数组的创建【随机、list、tuple】

In [15]: import numpy  as np    #导入numpy包



##创建一个10个随机数的列表

In [16]: ls1=range(10)          #生成一个10个随机数的列表

In [17]: ls1

Out[17]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

In [18]: type(ls1)              #查看类型

Out[18]: list





In [19]: ls2=np.arange(10)     #np.arrange(10,100,10) #生成一个随机数的一维数组

In [20]: ls2

Out[20]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [21]: type(ls2)

Out[21]: numpy.ndarray          #类型为数组





In [24]: arr1 = np.array([1,2,3,4])     #从list对象中创建数组

In [25]: arr1

Out[25]: array([1, 2, 3, 4])

In [26]: type(arr1)

Out[26]: numpy.ndarray





In [27]: arr2 = np.array((1,2,3,4))     #从tuple中创建数组

In [28]: arr2

Out[28]: array([1, 2, 3, 4])

In [29]: type(arr2)

Out[29]: numpy.ndarray

二维数组的创建【列表套列表、元组套元组】

In [30]: arr3 = np.array([[1,2,3],[4,5,6],[7,8,9]]) #列表中套列表的方式创建

In [31]: arr3

Out[31]: 

array([[1, 2, 3],

       [4, 5, 6],

       [7, 8, 9]])

In [32]: type(arr3)

Out[32]: numpy.ndarray





In [33]: arr4 = np.array(((1,2,3),(4,5,6),(7,8,9)))     #元组套元组的方式创建

In [34]: arr4

Out[34]: 

array([[1, 2, 3],

       [4, 5, 6],

       [7, 8, 9]])

In [36]: type(arr4)

Out[36]: numpy.ndarray

几种特殊的数组【zeros、ones、empty】

In [42]: arr5=np.zeros(5)   #返回5个0的一维数组

In [43]: arr5

Out[43]: array([ 0.,  0.,  0.,  0.,  0.])

In [44]: arr6=np.zeros((3,6))   #返回全为03x6的二维数组

In [45]: arr6

Out[45]: 

array([[ 0.,  0.,  0.,  0.,  0.,  0.],

       [ 0.,  0.,  0.,  0.,  0.,  0.],

       [ 0.,  0.,  0.,  0.,  0.,  0.]])





In [46]: arr7=np.ones(5)        #返回5个1的一维数组

In [47]: arr7

Out[47]: array([ 1.,  1.,  1.,  1.,  1.])

In [48]: arr8=np.ones([2,4])    #返回2x4的二维数组

In [49]: arr8

Out[49]: 

array([[ 1.,  1.,  1.,  1.],

       [ 1.,  1.,  1.,  1.]])





In [50]: arr9=np.empty(4)       #返回4个全为0的一维数组

In [51]: arr9

Out[51]: array([ 0.,  0.,  0.,  0.])

In [52]: arr10=np.empty((3,5))      #返回全为0的数组不安全，一般返回的事未初始化的垃圾值

In [53]: arr10

Out[53]: 

array([[  0.00000000e+000,   6.79335389e-314,   0.00000000e+000,

          1.27319747e-313,   1.27319747e-313],

       [  1.27319747e-313,   2.96439388e-323,   1.90979621e-313,

          0.00000000e+000,   5.92878775e-323],

       [  3.18299369e-313,   0.00000000e+000,   8.89318163e-323,

          6.95038501e-310,   6.32404027e-322]])

          

          



可以使用dtype来指定ndarray的数据类型，如

In [54]: arr1=np.array([1,2,2,3],dtype=np.float64)

In [55]: arr1

Out[55]: array([ 1.,  2.,  2.,  3.])

In [56]: arr1.dtype

Out[56]: dtype('float64')

数组的属性与数组的函数

属性

In [57]: arr3

Out[57]: 

array([[1, 2, 3],

       [4, 5, 6],

       [7, 8, 9]])

In [58]: arr3.shape #shape返回数组的行数和列数

Out[58]: (3, 3)





In [59]: arr3.ndim      #ndim返回数组的维数

Out[59]: 2





In [61]: arr3.dtype     #dtype返回数组元素数据类型

Out[61]: dtype('int64')



In [62]: arr3.ravel()    #ravel()方法将数组拉直（多维数组降成一维数组）

Out[62]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])





In [65]: arr3.size      #size返回数组的个数

Out[65]: 9





In [66]: arr3.T         #数组的转置

Out[66]: 

array([[1, 4, 7],

       [2, 5, 8],

       [3, 6, 9]])

函数

In [20]: arr1=np.array(((1,2,3),(4,5,6),(7,8,9)))

In [21]: arr1

Out[21]: 

array([[1, 2, 3],

       [4, 5, 6],

       [7, 8, 9]])

In [22]: len(arr1)      #查看数组行数

Out[22]: 3





In [21]: arr1

Out[21]: 

array([[1, 2, 3],

       [4, 5, 6],

       [7, 8, 9]])

In [28]: arr2 

Out[28]: 

array([[1, 2],

       [3, 4],

       [5, 6]])

In [30]: arr3 = np.hstack((arr1,arr2))  #hstack横向数组拼接，数组行数必须相同



In [31]: arr3

Out[31]: 

array([[1, 2, 3, 1, 2],

       [4, 5, 6, 3, 4],

       [7, 8, 9, 5, 6]])

      

       

In [27]: arr1

Out[27]: 

array([[5, 6],

       [7, 8]])

In [28]: arr2 

Out[28]: 

array([[1, 2],

       [3, 4],

       [5, 6]])

In [34]: arr4=np.vstack((arr1,arr2))    #vstack纵向拼接，必须列数相同



In [35]: arr4

Out[35]: 

array([[5, 6],

       [7, 8],

       [1, 2],

       [3, 4],

       [5, 6]]

       

       

In [37]: arr1 = np.arange(21)

In [38]: arr1

Out[38]: 

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,

       17, 18, 19, 20])

In [39]: arr2=arr1.reshape(3,7) #设置数组行数和列数

In [40]: arr2

Out[40]: 

array([[ 0,  1,  2,  3,  4,  5,  6],

       [ 7,  8,  9, 10, 11, 12, 13],

       [14, 15, 16, 17, 18, 19, 20]])       

In [43]: b = arr2.tolist()      #数组转换成列表

In [44]: b

Out[44]: 

[[0, 1, 2, 3, 4, 5, 6],

 [7, 8, 9, 10, 11, 12, 13],

 [14, 15, 16, 17, 18, 19, 20]]       

In [45]: arr2.dtype

Out[45]: dtype('int64')       

In [46]: arr3=arr2.astype(float）   #转换数据类型

Out[57]: dtype('float64')   

       

数组元素的获取

一维数组元素的获取

In [52]: arr = np.arange(10)

In [53]: arr

Out[53]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [54]: arr[3]     #获取第4个元素

Out[54]: 3



In [55]: arr[5:8]   #获取第6,7,8三个元素。左闭右开

Out[55]: array([5, 6, 7])

二维数组的获取

In [57]: arr1 = np.array([[1,2],[3,4],[5,6]])

In [58]: arr1

Out[58]: 

array([[1, 2],

       [3, 4],

       [5, 6]])

In [60]: arr1[2]    #获取第三行的元素

Out[60]: array([5, 6])



In [61]: arr1[:2]       #获取前两行元素

Out[61]: 

array([[1, 2],

       [3, 4]])

 

In [62]: arr1[:,1]      #获取第二列的元素

Out[62]: array([2, 4, 6])   



In [66]: arr1[:,[0,1]]  #获取数组第一列和第三列的元素

Out[66]: 

array([[1, 2],

       [3, 4],

       [5, 6]])



In [67]: arr1[0,1]  #获取第1行第二列对应的元素

Out[67]: 2

布尔索引

In [1]: import numpy as np

In [2]: names = np.array(['bob','joe','will','bob','will','joe','joe'])

In [3]: names

Out[3]: 

array(['bob', 'joe', 'will', 'bob', 'will', 'joe', 'joe'], 

      dtype='|S4')

In [8]: data = np.arange(28).reshape(7,4)

In [9]: data

Out[9]: 

array([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [ 8,  9, 10, 11],

       [12, 13, 14, 15],

       [16, 17, 18, 19],

       [20, 21, 22, 23],

       [24, 25, 26, 27]])

In [14]: names == 'bob'

Out[14]: array([ True, False, False,  True, False, False, False], dtype=bool)

In [15]: data[names=='bob'] #返回所有为true的行或为bob的行

Out[15]: 

array([[ 0,  1,  2,  3],

       [12, 13, 14, 15]])

       

In [17]: data[names!='bob'] # !=bob的行

Out[17]: 

array([[ 4,  5,  6,  7],

       [ 8,  9, 10, 11],

       [16, 17, 18, 19],

       [20, 21, 22, 23],

       [24, 25, 26, 27]])    

In [18]: data[names!='bob',3]  #配合切片，选第3列

Out[18]: array([ 7, 11, 19, 23, 27])       

In [19]: data[names!='bob'][:2,1:]  也可以这样配合切片

Out[19]: 

array([[ 5,  6,  7],

       [ 9, 10, 11]])       

In [23]: data[(names=='bob')|(names=='joe')]    #可以使用&（和）、|（或）之类的布尔算术运算符，注意加小括号

Out[23]: 

array([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [12, 13, 14, 15],

       [20, 21, 22, 23],

       [24, 25, 26, 27]])       

       

       

In [24]: data[data<10]=0    #布尔型数组设置值

In [25]: data

Out[25]: 

array([[ 0,  0,  0,  0],

       [ 0,  0,  0,  0],

       [ 0,  0, 10, 11],

       [12, 13, 14, 15],

       [16, 17, 18, 19],

       [20, 21, 22, 23],

       [24, 25, 26, 27]])       

       

花式索引

In [32]: arr=np.arange(32).reshape((8,4))

In [33]: arr

Out[33]: 

array([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [ 8,  9, 10, 11],

       [12, 13, 14, 15],

       [16, 17, 18, 19],

       [20, 21, 22, 23],

       [24, 25, 26, 27],

       [28, 29, 30, 31]])

In [34]: arr[[4,3,0,6]]     #传入一个数组筛选行

Out[34]: 

array([[16, 17, 18, 19],

       [12, 13, 14, 15],

       [ 0,  1,  2,  3],

       [24, 25, 26, 27]])

In [35]: arr[[4,3,0,6],[0,3,1,2]]       #传入多个数组返回一个一维数组

Out[35]: array([16, 15,  1, 26])       

       



In [5]: arr=np.arange(32).reshape((8,4))

In [6]: arr

Out[6]: 

array([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [ 8,  9, 10, 11],

       [12, 13, 14, 15],

       [16, 17, 18, 19],

       [20, 21, 22, 23],

       [24, 25, 26, 27],

       [28, 29, 30, 31]])

In [7]: arr[np.ix_([1,5,7,2],[0,3,1,2])]

Out[7]: 

array([[ 4,  7,  5,  6],

       [20, 23, 21, 22],

       [28, 31, 29, 30],

       [ 8, 11,  9, 10]]