numpy的函數使用

目錄

• 注
• help ，幫助
• numpy.genfromtxt，導入文件
• array，建立數組（1，2維數組）
• array，建立行列向量
• numpy.shape，看numpy數據的行列信息
• numpy.dtype，查看numpy數據的類型
• 切片讀取
  • 示例一
  • 示例二
  • 示例三
• == , 矩陣元素等號判斷
• &，與操做
• |，或操做
• 字符串 ==> 數據類型
• min，最小值
• sum
• shape，arange，reshape
• ndim
• size，查看矩陣的元素多少
• zeros，生成0矩陣
• ones，生成單位矩陣
• random
• linspace, 在指定範圍內等間距生成指定的數據個數
• sin, 對矩陣中的數據求三角函數sin值
• 矩陣的減-，平方**，範圍判斷<
• A * B，矩陣之間對應元素相乘
• A.dot(B),np.dot(A, B))，矩陣相乘
• exp，天然指數e
• sqrt，開方運算
• floor，向下取整
• ravel，水平鋪開矩陣
• T，矩陣的轉置
• vstack，按照列的方向拼接兩個矩陣
• hstack，按照行的方向拼接兩個矩陣
• hsplit，垂直方向上等數量分割矩陣數據
• vsplit，水平方向上等數量分割矩陣數據
• a=b，複製
• view，淺複製
• copy，深拷貝
• argmax，垂直方向上找出最大值的索引
• tile，重複數據
• sort，按順序排列數據
• argsort，向量中元素從小到大排列

@

注

1. 下面的代碼是使pyhton3.6寫的，有些多是使用python2.7寫的
2. 1維數組叫矢量，2維數組叫矩陣，3維及大於3維的數組就叫多維數組了

help ，幫助

# 打印 numpy.genfromtxt 幫助文檔
print (help(numpy.genfromtxt))
# 打印range 幫助文檔
print(help(range))

numpy.genfromtxt，導入文件

示例

import numpy
# 讀入文本文件
# "world_alcohol.txt"      == >  讀入的文件
# delimiter=","            == >  文件內容之間的分割符
# dtype=str                == >  讀入的文件的數據類型
# skip_header=1            == >  跳過第一行，即第一行數據不讀取
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str, skip_header=1)
# 打印類型
print(type(world_alcohol))
# 打印讀入的內容
print (world_alcohol)

array，建立數組（1，2維數組）

import numpy
#The numpy.array() function can take a list or list of lists as input. When we input a list, we get a one-dimensional array as a result:

vector = numpy.array([5, 10, 15, 20])

#When we input a list of lists, we get a matrix as a result:

matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
# 一維數組
print(vector)
# 二維數組
print(matrix)

結果

array，建立行列向量

Numpy中的行向量和列向量 - Suprecat的博客 - CSDN博客
https://blog.csdn.net/wintersshi/article/details/80489258

numpy.shape，看numpy數據的行列信息

#We can use the ndarray.shape property to figure out how many elements are in the array
    vector = numpy.array([1, 2, 3, 4])
    print(vector.shape)
    #For matrices, the shape property contains a tuple with 2 elements.
    matrix = numpy.array([[5, 10, 15], [20, 25, 30]])
    print(matrix.shape)

結果

(4,)
    (2, 3)

numpy.dtype，查看numpy數據的類型

import numpy
#Each value in a NumPy array has to have the same data type
#NumPy will automatically figure out an appropriate data type when reading in data or converting lists to arrays. 
#You can check the data type of a NumPy array using the dtype property.
numbers = numpy.array([1, 2, 3, 4])
print (numbers)
numbers.dtype

結果

[1 2 3 4]
dtype('int32')

切片讀取

示例一

• 說明
  [0:3]， 範圍包括0，可是不包括3 ，共3

import numpy
vector = numpy.array([5, 10, 15, 20])
print(vector[0:3])

結果

[ 5 10 15]

示例二

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
# 讀取全部的行，第1列（共0，1，2列）的數
print(matrix[:,1])

結果

[10 25 40]

示例三

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
# 讀取全部的行，第0，1（共0，1，2列）列的數據
print(matrix[:,0:2])

結果

[[ 5 10]
 [20 25]
 [35 40]]

• 示例四

matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
# 矩陣的行1,2，列 0 ，1（共0，1，2列）
print(matrix[1:3,0:2])

結果

[[20 25]
 [35 40]]

== , 矩陣元素等號判斷

• 示例一

import numpy
#it will compare the second value to each element in the vector
# If the values are equal, the Python interpreter returns True; otherwise, it returns False
vector = numpy.array([5, 10, 15, 20])
vector == 10

結果

array([False,  True, False, False], dtype=bool)

• 示例二

import numpy
matrix = numpy.array([
                    [5, 10, 15], 
                    [20, 25, 30],
                    [35, 40, 45]
                 ])
matrix == 25

結果

array([[False, False, False],
       [False,  True, False],
       [False, False, False]], dtype=bool)

• 示例三

import numpy
# Compares vector to the value 10, which generates a new Boolean vector [False, True, False, False]. It assigns this result to equal_to_ten
# 生成矩陣向量
vector = numpy.array([5, 10, 15, 20])
# 與 10 相等 進行布爾運算
equal_to_ten = (vector == 10)
print equal_to_ten
# 獲得原來的數據
print(vector[equal_to_ten])

結果

[False  True False False]
[10]

• 示例四

import numpy
matrix = numpy.array([
                [5, 10, 15],
                [20, 25, 30],
                [35, 40, 45]
             ])
# 對全部行的第1列與  25 進行相等布爾運算
second_column_25 = (matrix[:,1] == 25)
# 布爾運算的結果
print(second_column_25)
# 還原   原來     的列
print(matrix[:, second_column_25])
# 將布爾結果對  行   進行求數
print(matrix[second_column_25, :])

結果

[False  True False]
[[10]
 [25]
 [40]]
[[20 25 30]]

• 示例五，對二維矩陣中的數一個指定的數據進行修改

import numpy

matrix = numpy.array([
    [5, 10, 15],
    [20, 25, 30],
    [35, 40, 45]
])
# 全部行的第1列（共0，1，2列）的數據與25進行布爾運算
second_column_25 = matrix[:, 1] == 25
print(second_column_25)
# 數據第1行第一列（共0，1，2列），25 ===> 10
matrix[second_column_25, 1] = 10
print(matrix)

結果

[False  True False]
[[ 5 10 15]
 [20 10 30]
 [35 40 45]]

&，與操做

import numpy
#We can also perform comparisons with multiple conditions
vector = numpy.array([5, 10, 15, 20])
# 與10進行布爾運算
print(vector == 10)
# 與 5進行布爾運算
print(vector == 5)
# 與操做
equal_to_ten_and_five = (vector == 10) & (vector == 5)
print(equal_to_ten_and_five)

結果

[False  True False False]
[ True False False False]
[False False False False]

|，或操做

• 示列一

import numpy
vector = numpy.array([5, 10, 15, 20])
# 與10進行布爾運算
print(vector == 10)
# 與 5進行布爾運算
print(vector == 5)
# 或操做
equal_to_ten_and_five = (vector == 10) | (vector == 5)
print(equal_to_ten_and_five)

結果

[False  True False False]
[ True False False False]
[ True  True False False]

• 示例二

import numpy
vector = numpy.array([5, 10, 15, 20])
# 與10進行布爾運算
print(vector == 10)
# 與 5進行布爾運算
print(vector == 5)
# 或操做
equal_to_ten_or_five = (vector == 10) | (vector == 5)
# 或操做後的數據進行修改
# 5, 10 ==> 50
vector[equal_to_ten_or_five] = 50
print(vector)

結果

[False  True False False]
[ True False False False]
[50 50 15 20]

字符串 ==> 數據類型

import numpy

# We can convert the data type of an array with the ndarray.astype() method.
vector = numpy.array(["1", "2", "3"])
# 原來的類型
print(vector.dtype)
print(vector)
# 字符串 ==> 數據類型
vector = vector.astype(float)
# 如今的類型
print(vector.dtype)
print(vector)

結果

<U1
['1' '2' '3']
float64
[1. 2. 3.]

min，最小值

import numpy

vector = numpy.array([5, 10, 15, 20])
vector.min()
print (vector.min())

結果

5

sum

• 說明
  axis=1，每一行求和
  axis=0，每一列求和

• 示例一

import numpy

# The axis dictates which dimension we perform the operation on
#1 means that we want to perform the operation on each row, and 0 means on each column
matrix = numpy.array([
                [5, 10, 15],
                [20, 25, 30],
                [35, 40, 45]
             ])
print(matrix.sum(axis=1))

結果

[ 30  75 120]

• 示例二

import numpy

matrix = numpy.array([
                [5, 10, 15],
                [20, 25, 30],
                [35, 40, 45]
             ])
print(matrix.sum(axis=0))

結果

[60 75 90]

shape，arange，reshape

• shape， 查看維度信息
• arange，生成一組向量

• reshape，對一組向量修改爲新一矩陣分佈

• 示例一，shape

import numpy as np

a =  np.array([
 [6., 9., 1., 5.],
 [3., 6., 4., 0.],
 [3., 9., 5., 7.]
    ])
print("a\n", a)
print("a.shape\n", a.shape)
a.shape = (2,6)
print("a.shape = (2,6)\n", a)
a.shape = (1,12)
print("a.shape = (1,12)\n", a)

結果

a
 [[6. 9. 1. 5.]
 [3. 6. 4. 0.]
 [3. 9. 5. 7.]]
a.shape
 (3, 4)
a.shape = (2,6)
 [[6. 9. 1. 5. 3. 6.]
 [4. 0. 3. 9. 5. 7.]]
a.shape = (1,12)
 [[6. 9. 1. 5. 3. 6. 4. 0. 3. 9. 5. 7.]]

• 示例二，arange

import numpy as np

# 生成 10 到 30 之間的數據，不包括30，間距爲5的數據
print(np.arange( 10, 30, 5 ))
# 生成 10 到 11 之間的數據，不包括11，間距爲0.2的數據
print(np.arange( 10, 11, 0.2))

結果

[10 15 20 25]
[10.  10.2 10.4 10.6 10.8]

• 示例三，shape，reshape

import numpy as np

# 生成一組向量
# To create sequences of numbers
print(np.arange(15))
# 查看矩陣的信息
print(np.arange(15).shape)
# 修改爲新3行5列的矩陣數據
a = np.arange(15).reshape(3, 5)
print(a)
# 查看矩陣的信息
print(a.shape)

結果

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

ndim

• 說明: 用來查看矩陣的維度信息，1維，2維等

import numpy as np

# 生成一組向量
print(np.arange(15))
# 查看矩陣的維度信息
print(np.arange(15).ndim)
# 修改爲新3行5列的矩陣數據
a = np.arange(15).reshape(3, 5)
print(a)
# 查看矩陣的維度信息
print(a.ndim)

結果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
1
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
2

size，查看矩陣的元素多少

import numpy as np

# 生成一組向量
print(np.arange(15))
# 查看矩陣的信息
print(np.arange(15).dtype)
print(np.arange(15).dtype.name)

結果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
int32
int32

import numpy as np

# 生成一組向量
print(np.arange(15))
# 查看矩陣總共有多少元素
print(np.arange(15).size)
# 修改爲新3行5列的矩陣數據
a = np.arange(15).reshape(3, 5)
print(a)
# 查看矩陣總共有多少元素
print(a.size)

結果

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
15
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
15

zeros，生成0矩陣

• 說明：生成的0矩陣是一個float64類型的，注意到0後面有一個小數點

import numpy as np
# 3行4列
print(np.zeros ((3,4)) )
print(np.zeros ((3,4)).dtype )

結果

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
float64

ones，生成單位矩陣

• 說明

numpy.ones(shape, dtype=None, order='C')
Parameters: 
# 形狀
shape : int or sequence of ints
Shape of the new array, e.g., (2, 3) or 2.
# 數據類型
dtype : data-type, optional
The desired data-type for the array, e.g., numpy.int8. Default is numpy.float64.
# 存儲順序
order : {‘C’, ‘F’}, optional, default: C
Whether to store multi-dimensional data in row-major (C-style) or column-major (Fortran-style) order in memory.
Returns:    
out : ndarray
Array of ones with the given shape, dtype, and order.

示例一

import numpy as np

# 生成float64類型
print(np.ones(5))

結果

[1. 1. 1. 1. 1.]

示例二

import numpy as np

# 生成 int 類型
print(np.ones((5,), dtype=int))

結果

[1, 1, 1, 1, 1]

示例三

import numpy as np

# 生成2行3列的float64類型數據
s = (2,3)
print( np.ones(s))

結果

[[1. 1. 1.]
 [1. 1. 1.]]

示例四

• 說明
  np.ones(2,3,4)含義：2個3X4矩陣，全部元素爲1
  又如，np.ones(4,5,3)含義：4個5X3矩陣，全部元素爲1
  ==> np.ones(a,b,c):a個b*c矩陣

import numpy as np

print(np.ones( (2,3,4), dtype=np.int32 ))

結果

[[[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]

 [[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]]

• 擴展閱讀

  numpy 中ones，zeros函數 - mmr598146920的專欄 - CSDN博客
  https://blog.csdn.net/mmr598146920/article/details/80539733

random

import numpy as np

# 2行3列隨機數
print(np.random.random((2, 3)))

結果

[[0.69509627 0.04046586 0.26786661]
 [0.44120144 0.05091389 0.44784084]]

linspace, 在指定範圍內等間距生成指定的數據個數

import numpy as np
from numpy import pi

# 在 0 到時 2*pi 區間（不包括右端點 2*pi）內，等間距生成 5 個數據
print(np.linspace( 0, 2*pi, 5 ))

結果

[0.         1.57079633 3.14159265 4.71238898 6.28318531]

sin, 對矩陣中的數據求三角函數sin值

import numpy as np
from numpy import pi

# 求三角函數sin值
print(np.sin(np.linspace( 0, 2*pi, 5 )))

結果

[ 0.0000000e+00  1.0000000e+00  1.2246468e-16 -1.0000000e+00
 -2.4492936e-16]

矩陣的減-，平方**，範圍判斷<

import numpy as np

# the product operator * operates elementwise in NumPy arrays
a = np.array([20, 30, 40, 50])
b = np.arange(4)
print("a:", a)
print("b", b)

# 矩陣相減
c = a - b
print("c = a - b", c)
# 矩陣減1
c = c - 1
print("c = c - 1", c)
# 矩陣中的每個元素的平方
print("b ** 2", b ** 2)
# 範圍判斷
print("a < 35", a < 35)

結果

a: [20 30 40 50]
b [0 1 2 3]
c = a - b [20 29 38 47]
c = c - 1 [19 28 37 46]
b ** 2 [0 1 4 9]
a < 35 [ True  True False False]

A * B，矩陣之間對應元素相乘

import numpy as np

A = np.array([[1, 1],
              [0, 1]])
B = np.array([[2, 0],
              [3, 4]])
print('---A----')
print(A)
print('---B----')
print(B)
# 矩陣之間對應元素相乘
print('---A * B----')
print(A * B)

結果

---A----
[[1 1]
 [0 1]]
---B----
[[2 0]
 [3 4]]
---A * B----
[[2 0]
 [0 4]]

A.dot(B),np.dot(A, B))，矩陣相乘

import numpy as np

# The matrix product can be performed using the dot function or method
A = np.array([[1, 1],
              [0, 1]])
B = np.array([[2, 0],
              [3, 4]])
print('---A----')
print(A)
print('---B----')
print(B)
print('---A * B----')
print(A * B)
# 矩陣相乘
print('---A.dot(B)----')
print(A.dot(B))
# 矩陣相乘
print('---np.dot(A, B)----')
print(np.dot(A, B))

結果

---A----
[[1 1]
 [0 1]]
---B----
[[2 0]
 [3 4]]
---A.dot(B)----
[[5 4]
 [3 4]]
---np.dot(A, B)----
[[5 4]
 [3 4]]

exp，天然指數e

import numpy as np

B = np.arange(3)
print(B)
# 求天然指數e的次冪，B中的元素爲e每一冪次方
print(np.exp(B))

結果

[0 1 2]
[1.         2.71828183 7.3890561 ]

sqrt，開方運算

import numpy as np

B = np.arange(3)
print(B)
# 對B中的每個元素求根號，即1/2次冪
print(np.sqrt(B))

結果

[0 1 2]
[0.         1.         1.41421356]

floor，向下取整

示例一

import numpy as np

a = np.array([-1.7, -1.5, -0.2, 0.2, 1.5, 1.7, 2.0])
np.floor(a)

結果

[-2., -2., -1.,  0.,  1.,  1.,  2.]

示例二

import numpy as np

# Return the floor of the input
a = 10 * np.random.random((3, 4))
print(a)
a = np.floor(a)
print(a)

結果

[[6.6143481  9.9613796  1.30947854 5.6078685 ]
 [3.10948678 6.83076618 4.92651686 0.15127964]
 [3.3036663  9.44427669 5.25021126 7.66229507]]
[[6. 9. 1. 5.]
 [3. 6. 4. 0.]
 [3. 9. 5. 7.]]

ravel，水平鋪開矩陣

• 說明
  2維矩陣 ==> 1維向量，水平方向進行轉化

import numpy as np

# Return the floor of the input
a = 10 * np.random.random((3, 4))
print(a)
a = np.floor(a)
print(a)
print('--------')
# 2維矩陣 ==>   1維向量，水平方向進行轉化
# flatten the array
print(a.ravel() )

結果

[[6.6143481  9.9613796  1.30947854 5.6078685 ]
 [3.10948678 6.83076618 4.92651686 0.15127964]
 [3.3036663  9.44427669 5.25021126 7.66229507]]
[[6. 9. 1. 5.]
 [3. 6. 4. 0.]
 [3. 9. 5. 7.]]
--------
[6. 9. 1. 5. 3. 6. 4. 0. 3. 9. 5. 7.]

T，矩陣的轉置

• 說明
  在這種方式下，行向量沒法直接轉化爲列向量
  具體的轉化方式見：

  [numpy] np.newaxis 如何將行向量轉換成列向量 - doufuxixi的博客 - CSDN博客
  https://blog.csdn.net/doufuxixi/article/details/80356946

import numpy as np

# Return the floor of the input
a = 10 * np.random.random((3, 4))
print(a)
# 向下取整
a = np.floor(a)
print("a = np.floor(a)")
print(a)
# a 的轉置
print("--------a.T")
print(a.T)

print('--------b = a.ravel()')
# a 水平方向鋪平
b = a.ravel()
print(b)

# b 的轉置
print('--------b.T')
print(b.T)

結果

[[6.8977933  6.5823566  2.70240107 4.48524208]
 [0.96507135 4.58781425 6.2868975  7.39792458]
 [6.18095442 4.62072618 5.73384294 8.45966937]]
a = np.floor(a)
[[6. 6. 2. 4.]
 [0. 4. 6. 7.]
 [6. 4. 5. 8.]]
--------a.T
[[6. 0. 6.]
 [6. 4. 4.]
 [2. 6. 5.]
 [4. 7. 8.]]
--------b = a.ravel()
[6. 6. 2. 4. 0. 4. 6. 7. 6. 4. 5. 8.]
--------b.T
[6. 6. 2. 4. 0. 4. 6. 7. 6. 4. 5. 8.]

vstack，按照列的方向拼接兩個矩陣

import numpy as np

a = np.floor(10 * np.random.random((2, 2)))
b = np.floor(10 * np.random.random((2, 2)))
print('---a')
print(a)
print('---b')
print(b)
print('---np.vstack((a, b)')
print(np.vstack((a, b)))

結果

---a
[[4. 3.]
 [8. 6.]]
---b
[[8. 2.]
 [6. 0.]]
---np.vstack((a, b)
[[4. 3.]
 [8. 6.]
 [8. 2.]
 [6. 0.]]

hstack，按照行的方向拼接兩個矩陣

import numpy as np

a = np.floor(10 * np.random.random((2, 2)))
b = np.floor(10 * np.random.random((2, 2)))
print('---a')
print(a)
print('---b')
print(b)
print('---np.hstack((a, b)')
print(np.hstack((a, b)))

結果

---a
[[1. 9.]
 [3. 6.]]
---b
[[9. 6.]
 [5. 0.]]
---np.hstack((a, b)
[[1. 9. 9. 6.]
 [3. 6. 5. 0.]]

hsplit，垂直方向上等數量分割矩陣數據

import numpy as np

x = np.arange(16.0).reshape(2, 8)
print(x)
# 等個數分割爲2份
print(np.hsplit(x, 2))
# 等個數分割爲4份
print(np.hsplit(x, 4))

結果

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

結果( 從新排版後)

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

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

vsplit，水平方向上等數量分割矩陣數據

import numpy as np

x = np.arange(16.0).reshape(8, 2)
print(x)
# 等數量分割爲2份
print(np.vsplit(x, 2))
# 等數量分割爲4份
print(np.vsplit(x, 4))

結果

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

結果( 從新排版後)

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

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

a=b，複製

• 說明

  複製就是使用「=」。使用「=」的時候，其實是傳遞的是對象的引用，當對象發生修改的時候，複製體也會發生同等的改變，不管何種改變。

import numpy as np

#Simple assignments make no copy of array objects or of their data.
a = np.arange(12)
b = a
# a and b are two names for the same ndarray object
print (b is a)
# b的形狀改變，a也跟着改變
b.shape = 3,4
print (a.shape)
print (id(a))
print (id(b))

結果

True
(3, 4)
1974659569504
1974659569504

view，淺複製

• 說明

  view至關於傳引用，view和原始數據共享一份數據，修改一個會影響另外一個。

import numpy as np

a = np.arange(12)
# The view method creates a new array object that looks at the same data.
c = a.view()
# 判斷c a 是否共用一個內存id
print("c is a")
print(c is a)

#  查看a，c 的id
print("id(a)")
print(id(a))
print("id(c)")
print(id(c))

# 對c 的形狀進行修改
c.shape = 2, 6
# a的形狀不發生改變
print("a.shape")
print(a.shape)
print("c.shape")
print(c.shape)

# 對c 的元素進行修改，a中的對應位置的元素也跟着修改
c[0, 4] = 1234
print(a)
print("a")
print(c)
print("c")

結果

c is a
False
id(a)
34629952
id(c)
36175504
a.shape
(12,)
c.shape
(2, 6)
[   0    1    2    3 1234    5    6    7    8    9   10   11]
a
[[   0    1    2    3 1234    5]
 [   6    7    8    9   10   11]]
c

• 拓展閱讀

  numpy中的copy和view - 大澤之國 - CSDN博客
  https://blog.csdn.net/z0n1l2/article/details/83116775

copy，深拷貝

• 說明
  將對象中的全部的元素全都拷貝，拷貝後，二者這件的獨立的，互不影響

import numpy as np
a = np.arange(12)
#The copy method makes a complete copy of the array and its data.
# 徹底拷貝
d = a.copy() 
print (d is a) 
# 修改d 中的元素
d[0] = 9999
print (d) 
print (a)

結果

[9999    1    2    3    4    5    6    7    8    9   10   11]
[ 0  1  2  3  4  5  6  7  8  9 10 11]

• 拓展閱讀

  numpy中的copy和view - 大澤之國 - CSDN博客
  https://blog.csdn.net/z0n1l2/article/details/83116775
  python複製，淺拷貝，深拷貝理解 - Young的博客 - CSDN博客
  https://blog.csdn.net/dearyangjie/article/details/71533615
  Python中複製，淺拷貝，深拷貝的區別詳解 - H845165367的博客 - CSDN博客
  https://blog.csdn.net/H845165367/article/details/79687387

argmax，垂直方向上找出最大值的索引

• 說明
  垂直方向上，找出最大值的位置
  若是某一列中，有兩個元素是相同的大小，那麼就取靠前的數值的索引

import numpy as np

# data = 100*np.sin(np.arange(20)).reshape(5, 4)
# data = np.floor(data)
# 5行4列
data = np.array(
[[   0.,   84.,   90.,   14.,],
 [ -76.,  -96.,  -28.,   65.,],
 [  98.,   41.,  -55., -100.,],
 [ -54.,   42.,   99.,   65.,],
 [ -29.,  -97.,  -76.,   14.,]]
)
print("data")
print(data)
# 垂直方向上，找出最大值的位置
# 結果：[2 0 3 1]，分別對應第0列的第2個，第1列的第0個，第2列的3個，第3列的第1個（這裏是與第3個等值，故取靠前的數值）
ind = data.argmax(axis=0)
print("ind")
print(ind)
# 在1行中，還原最大值的數據
data_max = data[ind, range(data.shape[1])]
print("data_max")
print(data_max)

結果

data
[[   0.   84.   90.   14.]
 [ -76.  -96.  -28.   65.]
 [  98.   41.  -55. -100.]
 [ -54.   42.   99.   65.]
 [ -29.  -97.  -76.   14.]]
ind
[2 0 3 1]
data_max
[98. 84. 99. 65.]

tile，重複數據

import numpy as np

a = np.arange(0, 40, 10)
print(a)
# 對a中的數據進行重複，以a爲單位生成新的4行3列的矩陣
# 因爲a是1行4列的數據，所以最終生成 4*3 =12列數據
b = np.tile(a, (4, 3))
print(b)
print(b.shape)

結果

[ 0 10 20 30]
[[ 0 10 20 30  0 10 20 30  0 10 20 30]
 [ 0 10 20 30  0 10 20 30  0 10 20 30]
 [ 0 10 20 30  0 10 20 30  0 10 20 30]
 [ 0 10 20 30  0 10 20 30  0 10 20 30]]
(4, 12)

sort，按順序排列數據

• 說明
  axis=0，垂直排列數據，從小到大
  axis=1，水平排列數據，從小到大

示例一，axis=1

import numpy as np

a = np.array([[4, 3, 5], [1, 2, 1]])
print(a)
# 方式一
print('方式一--------b = np.sort(a, axis=1)')
b = np.sort(a, axis=1)
print(b)
print('--------a')
print(a)
# 方式二
print('方式二--------a.sort(axis=1)')
a.sort(axis=1)
print(a)

結果

[[4 3 5]
 [1 2 1]]
方式一--------b = np.sort(a, axis=1)
[[3 4 5]
 [1 1 2]]
--------a
[[4 3 5]
 [1 2 1]]
方式二--------a.sort(axis=1)
[[3 4 5]
 [1 1 2]]

示例二，axis=0

import numpy as np

a = np.array([[4, 3, 5], [1, 2, 1]])
print(a)
# 方式一
print('方式一--------b = np.sort(a, axis=0)')
b = np.sort(a, axis=0)
print(b)
print('--------a')
print(a)
# 方式二
print('方式二--------a.sort(axis=0)')
a.sort(axis=0)
print(a)

結果

[[4 3 5]
 [1 2 1]]
方式一--------b = np.sort(a, axis=0)
[[1 2 1]
 [4 3 5]]
--------a
[[4 3 5]
 [1 2 1]]
方式二--------a.sort(axis=0)
[[1 2 1]
 [4 3 5]]

argsort()函數是將x中的元素從小到大排列，提取其對應的index(索引)，而後輸出到y

argsort，向量中元素從小到大排列

• 說明
  argsort()函數是將x中的元素從小到大排列，提取其對應的index(索引)，而後輸出到y

import numpy as np

a = np.array([4, 3, 1, 2])
j = np.argsort(a)
print('--------')
print(j)
print('--------')
print(a[j])

結果

--------
[2 3 1 0]
--------
[1 2 3 4]