np归纳总结(全)第一天

1.概述

1.np.array() # 将列表转换为数组

import numpy as np

array = [1, 2, 3, 4, 5]

array = np.array(array)

2..shape # 打印矩阵的维度, 也可以使用np.shape

import numpy as np

array = [1, 2, 3, 4, 5]

array = np.array(array)

print(array.shape)

2.array 结构

3.dtype 打印数组的数据类型

import numpy as np

tang_array = [1, 2, 3, 4]

tang_array = np.array(tang_array)

print(tang_array.dtype)

4. .itemsize # 判断数组中每一个数字所占的字节数

print(tang_array.itemsize)

5. .size # 打印出数组中的元素个数, 不关心矩阵的维度

print(tang_array.size)

6. .ndim # 打印数组中的维度信息

print(tang_array.ndim)

7. .fill(0) # 表示对当前数据进行填充，0表示填充的值

# .fill 对当前数据进行填充

tang_array = np.array([1, 2])

tang_array.fill(0)

print(tang_array)

8. numpy索引与切片

tang_array = np.array([1, 2, 3, 4])

print(tang_array[0])

print(tang_array[-2:])

9 .copy # 进行浅拷贝

tang_array2 = tang_array.copy()

10 .dtype设置数组类型将列表转换为bool值根据bool值进行取值操作

tang_array = np.arange(0, 100, 10)

# 将列表转换为Bool值

bool_array = np.array([1, 0, 0, 1, 1, 1, 1, 0, 0, 0], dtype=bool)

# 根据bool值进行取值

print(tang_array[bool_array])

11.根据大于或者小于获得bool值根据bool值进行取值操作

tang_array = np.random.rand(10)

print(tang_array)

bool_array = tang_array > 0.5

print(bool_array)

12. np.where 对bool值进行操作，获得True的索引值

tang_array = np.random.rand(10)

bool_array = tang_array > 0.5

index = np.where(bool_array)

print(index)

print(tang_array[index])

13 .ndtype # 输出字节数

print(tang_array.nbytes)

14. .astype # 进行数据类型的转换，但是实际数据不发生改变

tang_array2 = tang_array.astype(np.float32)

print(tang_array2.dtype)

15. np.object格式，保存了数据的原来格式

array = np.array([1, 10, 3.5, 'str'], dtype=np.object)

3.数值计算

16. .sum(axis=0) # 进行数组的加和操作

import numpy as np

tang_array = np.array([[1, 2, 3],

                       [4, 5, 6]])

# 对axis=0,进行行与行进行加和

print(tang_array.sum(axis=0))

# 进行所有数据的加和

print(tang_array.min(axis=0))

print(tang_array.sum())

print(tang_array.sum(axis=-1))

17. .prod(axis=0) # 进行数组之间的乘积操作,axis=0表示行与行之间进行乘积

print(tang_array.prod())  # 所有元素进行相乘操作

print(tang_array.prod(axis=1))

18. .min(axis=0) 找出数组中数据最小的值，axis=0表示找出每一列的最小值,从上到下的操作

print(tang_array.min(axis=0))

19 .max(axis=0) # 找出数组中数据最大值的操作

print(tang_array.max(axis=0))

20 .argmax(axis=1) # 找出数组中每一行的最大值的位置

print(tang_array.argmax(axis=1))

21 .mean(axis=1) # 找出数组中每一行均值的大小

print(tang_array.mean(axis=1))

22. std(axis=1) # 求出数组中每一行的标准差

print(tang_array.std(axis=1))

23. .var(axis=1) # 求出数组中每一行的方差

print(tang_array.var(axis=1))

24. .clip(2, 4)进行数据的范围限制, 小于2的用2表示，大于4的用4表示

print(tang_array.clip(2, 4))

25. .round(decimals=1) # 进行四舍五入，decimals表示保留小数点的后几位数

tang_array = np.array([1.12, 2.12, 3.12, 4.6])

print(tang_array.round(decimals=1))

4.排序

26. np.sort(value, axis=0)# 对数据进行排序操作

import numpy as np

tang_array = np.array([[1.5, 1.3, 7.5],

                       [5.6, 7.8, 1.2]])

# 对每一列进行排序

print(np.sort(tang_array, axis=0))

27. .argsort(axis=0) # 打印排序后的索引位置

print(tang_array.argsort(axis=0))

28. np.linspace(0, 10, 11) # 进行范围的数据拆分

tang_array = np.linspace(0, 10, 11)

29. np.searchsorted(tang, value) # 将value插入tang_array 返回的是插入后的索引值

print(np.searchsorted(tang_array, value))

30. np.lexsort # 指定列队数组进行排序操作

tang_array = np.array([[1, 0, 6],

                       [2, 7, 0],

                       [3, 3, 1],

                       [2, 4, 0]])

index = np.lexsort([tang_array[:, 2]])

print(tang_array[index])

5-数组形状

31. np.reshape(value, (2, 5)) # 进行矩阵的维度变化

tang_array = np.arange(10)

print(tang_array.shape)

# 通过.shape改变数据的维度

tang_array.shape = 2, 5

print(np.reshape(tang_array, (2, 5)))

print(tang_array)

32. np.newaxis # 表示增加一个矩阵维度

# 新增加一个维度 np.newaxis

tang_array = np.array([[1, 2],

                       [3, 4]])

tang_array = tang_array[:, :, np.newaxis]

print(tang_array.shape)

33 .squeeze(axis=3) # 表示指定一个维度进行去除

print(tang_array.squeeze(axis=3).shape)

34 .transpose() 表示进行转置操作

tang_array = np.arange(0, 10, 1)

tang_array.shape = 2, 5

print(tang_array.transpose())

35. np.concatenate((a, b), axis=0) # 进行矩阵的串接操作,(a, b)表示需要串接的tuple,axis=0进行上下的串接

a = np.array([[123, 456, 789], [3234, 456, 134]])

b = np.array([[123, 456, 789], [123, 546, 134]])

c = np.concatenate((a, b), axis=0)

print(c)

36. np.vstack((a, b)) # 进行矩阵的上下位置上的串接

c = np.vstack((a, b))

print(c)

37. np.hstack((a, b)) # 进行矩阵左右位置上的串接

c = np.hstack((a, b))

print(c)

38. .flatten() # 进行拉平操作,拉成一个维度

print(c.flatten())

39. .ravel() # 进行拉平操作,也是拉成一个维度

print(c.ravel())

6-数组生成

40. np.arange(0, 10, 1) # 0表示开始，10表示结束，1表示中间间隔

import numpy as np

# 根据np.arange进行数组1表示开始位置，10表示末位置, 2表示间隔

print(np.arange(1, 10, 2, dtype=np.float32))

41. np.linspace(0, 9, 10) # 0表示起始位置,9表示结束，10表示拆分成10份

print(np.linspace(0, 9, 10))

42. np.logspace(0, 1, 11) # 0表示起始位置, 1表示终止位置，11表示拆成11分，然后在输入

print(np.logspace(0, 1, 11))  #等价于10**0.1

43. np.meshgrid(x, y) # 生成一个网格矩阵

x = np.linspace(0, 10, 11)

y = np.linspace(10, 20, 11)

x, y = np.meshgrid(x, y)

print(x)

print(y)

44. np.r_[0:10:1] 构造一个行向量

print(np.r_[0:10:1])

45. np.c_[0:10:1] # 构造一个列向量

print(np.c_[0:10:1])

46. np.zeros(3)

import numpy as np

# np.zeros 构造一个零矩阵

print(np.zeros(3))

print(np.zeros((2, 3)))

47. np.ones((3, 3)) # np.ones((3, 3)) 表示3*3的维度

print(np.ones((3, 3)))

48. np.empty(size) 生成一个空矩阵

a = np.empty(6)

print(a)

49 np.zeros_like() 生成一个维度相同的零矩阵

tang_array = np.array([1, 2, 3, 4, 5])

tang_array2 = np.zeros_like(tang_array)

print(tang_array2)

50 np.ones_like() 生成一个维度相同的1矩阵

tang_array3 = np.ones_like(tang_array)

print(tang_array3)

51 np.identity(5) # 生成一个形状是5的单位矩阵

print(np.identity(5))

7-运算

52. np.multiply(x, y) #将x和y进行对应位置相乘操作

import numpy as np 

x = np.array([5, 5])

y = np.array([2, 2])

# np.multiply(x, y) 将x和y进行对应位置相乘操作

print(np.multiply(x, y))

53. np.dot(x, y) #将x和y进行点乘操作，即矩阵运算(2, 1) * (1, 2) = (2, 2)

print(np.dot(x.reshape(2, 1), y.reshape(1, 2)))

54 # ndarray会进行数据的自动补全操作

x = np.array([1, 1, 1])

y = np.array([[1, 2, 3], [3, 4, 5]])

print(x + y)

55 np.logical_and # 如果两个都是真的就是真

x = np.array([1, 0, 1])

y = np.array([1, 1, 0])

print(x==y)

print(np.logical_and(x, y))

56. np.logical_or # 如果两个中有一个为真就是真

print(np.logical_or(x, y))

57. np.logical_not # 如果第二个数为1就是1，否者两个数都为0，等于1

print(np.logical_not(x, y))

8-随机矩阵

58. np.random.rand(3, 2) # 构造一个(3, 2)的随机矩阵

import numpy as np

# 构造一个0，1之间的随机矩阵

print(np.random.rand(3, 2))

59. np.random.randint(0, 3, size=(2, 5)) # 构造一个0到2的随机整数矩阵，矩阵的维度是2，5

print(np.random.randint(0, 3, size=(5, 4)))

60 np.random.sample() # 返回一个0到1的随机数

print(np.random.sample())

61. np,random.uniform(0, 3, size=(2, 5)) # 从一个均匀的分布中随机取值

print(np.random.uniform(0, 1, size=(1, 1)))

62. np.random.normal(mu, sigma, size) # 根据均值和标准差进行随机生成高斯矩阵

m = 0

sigma = 0.1 #标准差

print(np.random.normal(m, sigma, size=(10, 1)))

63. np.set_printoptions(precision=3) # 进行输出的精度设置，3表示的小数点的个数

np.set_printoptions(precision=3)

mu, sigma = 0, 0.1

n = np.random.normal(mu, sigma, 10)

print(n)

64 np.random.shuffle() #对样本进行洗牌操作

tang_array = np.arange(0, 10, 1)

np.random.shuffle(tang_array)

print(tang_array)

65 np.random.seed(100) # 设置随机种子，让每次随机获的参数的结果相同，为了更好的进行对比

np.random.seed(100)

x = np.random.normal(0, 0.1, size=(1, 10))

print(x)

9-读写

66. np.loadtxt('tang.txt', delimiter=",", skiprows=1), delimiter 表示分割符， skiprows表示去除第一行, usecols指定使用那几列数据

y = np.loadtxt('tang.txt', delimiter=',', skiprows=1)

print(y)

67. np.savetxt('tang2.txt', tang_array, fmt='%.2f', delimiter=',')

tang_array = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)

np.savetxt('tang2.txt', tang_array, fmt='%.2f', delimiter=',')

68. 进行单个array参数的载入和读取，保存的格式是npy

tang_array = np.array([1, 2, 3, 4], dtype=np.float32)

np.save('tang3.npy', tang_array)  # 写入文件

tang_array = np.load('tang3.npy')  # 读取文件

print(tang_array)

69. 进行多个array参数的载入和读取，使用的是np.savez，保存的格式是.npz,读取时使用key

tang_array = np.array([1, 2, 3, 4], dtype=np.float32)

tang_array2 = np.array([4, 5, 6, 7], dtype=np.float32)

np.savez('tang.npz', a=tang_array, b=tang_array2)

data = np.load('tang.npz')

print(data['a'])

print(data['b'])

练习题-1

70. np.__version__ # 打印numpy当前的版本

import numpy as np

print(np.__version__)

71 # 构造一个全零矩阵，并打印其所占内存数

z = np.zeros((5, 5))

print(z.size * z.itemsize)

print(z.nbytes)

72 # 打印一个函数的帮助文档 help(np.info(np,add))

print(help(np.info(np.add)))

73. # 创建一个10-49的数组，并将其倒序排列

tang_array = np.arange(10, 50, 1)

tang = tang_array[::-1]

print(tang)

74 np.nonzero(tang_array) # 找出一个数组中不为0的索引值

print(np.nonzero([1, 2, 3, 4, 5, 0, 0, 3]))

75 # 随机构造一个3*3矩阵，打印其最大值和最小值

np.random.seed(9)

tang_array = np.random.randint(0, 10, size=(5, 6))

print(tang_array.min())

print(tang_array.max())

76 np.pad(tang_array, add_size, 'constant', constant_values=0) 构造一个5*5的矩阵，令其值为1，在最外层加上一圈0

tang_array = np.ones((5, 5))

tang_array2 = np.pad(tang_array, 1, 'constant', constant_values=0)

print(tang_array2)

77. np.unravel_index(100, (6, 7, 8)) # 构建一个shape为(6, 7, 8)的矩阵，并找出第100个元素的索引值

print(np.unravel_index(100, (6, 7, 8)))

78. # 对一个5*5矩阵做0到1归一化操作

tang_array = np.random.random((5, 5))

tang_array = (tang_array - tang_array.min()) / (tang_array.max() - tang_array.min())

79. np.intersect1d(z1, z2) # 找出两个数组相同的数

 np.random.randint(0, 11, 10)

z2 = np.random.randint(0, 11, 10)

print(np.intersect1d(z1, z2))

80. np.datetime64('today', 'D') np.timedelta64(1, 'D') # 得到昨天今天明天

yesterday = np.datetime64('today', 'D') - np.timedelta64(1, 'D')

today = np.datetime64('today', 'D')

tomorrow = np.datetime64('today', 'D') + np.timedelta64(1, 'D')

print(yesterday)

81. 得到一个月中所有的天数

print(np.arange('2017-10', '2017-11', dtype='datetime64[D]'))

82. np.floor(value) # 取出一个数的整数部分

tang_array = np.random.uniform(0, 10, 10)

print(np.floor(tang_array))

83 z.flags.writeable # 使得这个数组不能被改变

z = np.zeros(5)

z.flags.writeable = False

z[0] = 1

84. np.set_printoptin(threshold=np.nan) # 使得数组全部打印出来

np.set_printoptions(threshold=np.nan)

z = np.zeros((5, 5))

print(z)

85.# 在一个数组中，找出最接近一个数的索引

z = np.arange(100)

v = np.random.uniform(0, 100)

print(v)

index = np.abs(z - v).argmin()

print(index)

86 # 进行float32与int32的类型转换

z = np.arange(10, dtype=np.float32)

l = z.astype(np.int32)

print(l.dtype)

87. # 打印数组的元素坐标与值

z = np.arange(9).reshape(3, 3)

for index, value in np.ndenumerate(z):

    print(index, value)

88. 按照数组的某一列进行排序

z = np.random.randint(0, 10, (4, 3))

print(z[z[:, 1].argsort()])

89. np.bincount(tang_array) # 统计数组中元素的个数

z = np.array([1, 1, 1, 2, 2, 3, 4, 5])

print(np.bincount(z))

90. 对最后两个维度进行加和操作

tang_array = np.random.randint(0, 10, (4, 4, 4, 4))

print(tang_array.sum(axis=(-2, -1)))

91 # 交换矩阵的两行

tang_array = np.random.randint(0, 10, (3, 4))

tang_array[[1, 2]] = tang_array[[2, 1]]

print(tang_array)

92 #找出数组中最常出现的数字

z = np.random.randint(0, 10, 10)

print(np.bincount(z).argmax())

93 np.argpartition(-z, n)[:n] #找出K个最大值的索引和值

z = np.arange(10000)

np.random.shuffle(z)

n = 5

print(np.argpartition(-z, n)[:n])

94. np.all(x==y, aixs=1) #找出一行中都相同的数，打印True

# 找出所有元素都相同的数据

x = np.array([[1, 1]])

p = np.array([[1, 1]])

print(np.all(x == p, axis=1))

z = np.random.randint(0, 5, (10, 3))

print(np.all(z[:, 1:]==z[:, :-1]))

巴特西

np归纳总结(全)第一天

最新文章

热门文章