numpy 學習總結
做者：csj
更新時間:01.09html
email:59888745@qq.com數組
說明：因內容較多，會不斷更新 xxx學習總結；app
#生成數組/使用astype/取值和賦值/ 數學運算 / 內置的建立數組的函數/ 文件輸入輸出 # Numpy是Python語言的一個library numpy # Numpy主要支持矩陣操做和運算 # Numpy很是高效，core代碼由C語言寫成 # pandas也是基於Numpy構建的一個library # 如今比較流行的機器學習框架（例如Tensorflow/PyTorch等等），語法都與Numpy比較接近 import numpy as np ## 數組簡介和數組的構造(ndarray) ##生成數組時能夠指定數據類型，若是不指定numpy會自動匹配合適的類型 # np1 = np.array([1,2,3],datetype=np.float64) #np1.datatype ##使用astype複製數組並轉換數據類型 # np1 = np.array([1,2,3]) #np2=np1.astype(np.float64) ##使用astype將float轉換爲int時小數部分被捨棄 # np1 = np.array([1.2,2.1,3.3]) #np2_int=np1.astype(np.int) ##Array indexing/數組取值和賦值 在兩個維度上分別按照[:2]和[1:3]進行切片，取須要的部分 # a =np.array([[1,2,3],[4,5,6]]) # b =a[:2,1:3] #row,clo # b ##用dtype來看numpy數組中元素的類型: #b.dtype ##數組取值和賦值 # np1 = np.array([1,2,3]) # np1 = np.array([1,2,3],datetype=np.float64) #np1.datatype # np1.shape # np1[0] # np2=np.array([[1,2,3],[4,5,6]]) # np2 # np2[0,1] ##內置的建立數組的函數 # np1 = np.zeros((3,3)) # np1 # np2 = np.ones((3,3)) # np2 # np3=np.full((3,3),0) # np3 # np4=np.eye(3,3) # 對角矩陣（對角元素爲1） # np4 # np5=np.random.random((3,3)) # 3row,3 col矩陣 # np5 # np6=np.empty((2,3,3)) # 2 ge 3row,3 col矩陣 # np6 # np7=np.arange(15) #arrar 0--14 # np7 ## 數學運算 #x = np.array([[1,2,3],[4,5,6]],dtype=np.int32) #y = np.array([[1,1,1],[1,1,1]],dtype=np.int32) # z =x+y # z=np.add(x,y) #z =x-y # z=np.subtract(x,y) # z # z=x / y #np.divide(x,y) # z # z=x * y #np.multiply(x,y) # z # z=np.sqrt(x) # z # v=np.array([1,2]) # m=np.array([3,4]) # k= v.dot(m) #求向量內積np.dot(v,m) # k # v=np.array([1,2]) # m=np.array([3,4]) # k= v.dot(m) #矩陣的乘法 # k ##轉置和數學公式同樣,1維的vector轉置仍是本身 # x.T # arr = np.arange(16).reshape((2, 2, 4)) # [[[ 0 1 2 3] # [ 4 5 6 7]] # [[ 8 9 10 11] # [12 13 14 15]]] # print(arr.transpose((1,0,2))) # [[[ 0 1 2 3] # [ 8 9 10 11]] # [[ 4 5 6 7] # [12 13 14 15]]] # print(arr.swapaxes(1,2)) # [[[ 0 4] # [ 1 5] # [ 2 6] # [ 3 7]] # [[ 8 12] # [ 9 13] # [10 14] # [11 15]]] #x = np.array([[1,2],[3,4]]) #print(np.sum(x)) # 數組/矩陣中全部元素求和; prints "10" #print(np.sum(x, axis=0)) # 按行去求和; prints "[4 6]" #print(np.sum(x, axis=1)) # 按列去求和; prints "[3 7]" ## broadcasting 逐元素運算了 ##給x的每一行都逐元素加上一個向量，而後生成y ## 邏輯運算 # x_arr = np.array([1.1, 1.2, 1.3, 1.4, 1.5]) # y_arr = np.array([2.1, 2.2, 2.3, 2.4, 2.5]) # cond = np.array([True, False, True, True, False]) print(np.where(cond, x_arr, y_arr)) # is true get x col,is false get x col value ## 數組高級操做 ##numpy能夠很容易地把一維數組轉成二維數組，三維數組。 # arr = np.arange(8) # arr # print("(4,2):", arr.reshape((4,2))) # print("(2,2,2):", arr.reshape((2,2,2))) ## ar.ravel() #高維數組能夠用ravel來拉平一維數組 ##鏈接兩個二維數組 np.concatenate #np.concatenate([arr1, arr2], axis = 0)) # 按行鏈接 #np.concatenate([arr1, arr2], axis = 1)) # 按列鏈接 ##拆分數組 first, second, third = np.split(arr, [1,3], axis = 0) #按row 拆分 first, second, third = np.split(arr, [1,3], axis = 1) #按col 拆分 ## r_ 用於按行堆疊 至關於row append() np.r_[arr1, arr2] ## c_用於按列堆疊 至關於col append() np.c_[np.r_[arr1, arr2], arr] ## 按元素重複 arr = np.arange(3) print(arr.repeat(3)) print(arr.repeat([2,3,4])) [0 0 0 1 1 1 2 2 2] [0 0 1 1 1 2 2 2 2] ##指定axis來重複