简介
NumPy 的官方指导手册一定是最好的老师
Numpy 相当于增强版的 array，使用时往往先以简称引入：
基础
属性
Numpy 数组的类是 ndarray，有以下属性：
| 名称 |
解释 |
ndarray.ndim |
数组的维度 |
size |
数组的元素数量，即 shape 的各元素乘积 |
shape |
返回一个 tuple，如对于 n 行 m 列的矩阵，返回 (n, m) |
创建数组
使用列表和 np.array 创建：
a = np.array([1, 2, 3, 4])
|
使用 zeros 创建全是 0 的数组，使用 ones 创建全是 1 的数组，默认为浮点类型，可以使用 dtype 参数指定类型：
>>> np.zeros((3, 4))
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
>>> np.ones((3, 4), dtype=np.int16)
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],dtype=int16)
|
arange 返回一个数字序列，类似于 python 中的 range
>>> np.arange(10, 30, 5)
array([10, 15, 20, 25])
>>> np.arange(0, 2, 0.3)
array([0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
|
因为很难预计浮点数的个数，所以可以用 linspace 显示指定数字个数：
>>> np.linspace(0, 2, 9)
array([0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
|
基本操作
算术运算按元素使用，如
>>> a = np.array([20, 30, 40, 50])
>>> b = np.arange(4)
>>> b
array([0, 1, 2, 3])
>>> c = a - b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10 * np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a < 35
array([ True, True, False, False])
|
矩阵乘法使用 .dot 或 @，如 A @ B 或 `A.dot(B)
有一些预先定义的函数，如 sum、max、min 等，默认不考虑其形状，视为一串数字，可以使用 axis= 参数指定坐标轴：
>>> b = np.arange(12).reshape(3, 4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0)
array([12, 15, 18, 21])
>>> b.min(axis=1)
array([0, 4, 8])
>>> b.cumsum(axis=1)
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
|
通用函数，如 sin、sqrt 等，接受数组，生成数组，如 np.add(B, C)
更多函数：
all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor, inner, invert, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var, vdot, vectorize, where
切片与索引
支持索引、切片、迭代
缺失的维度相当于使用了 :，如对于二维数组 b[-1] 等价于 b[-1, :]
... 代表自动填充 :，如对于五维数组 x[1, 2, ...] 等价于 x[1, 2, :, :, :]
想要迭代高维度的所有元素，使用 flat，如 for element in b.flat:
形状操纵
改变形状
a.ravel()
array([3., 7., 3., 4., 1., 4., 2., 2., 7., 2., 4., 9.])
>>> a.reshape(6, 2)
>>> a.reshape(6, -1)
array([[3., 7.],
[3., 4.],
[1., 4.],
[2., 2.],
[7., 2.],
[4., 9.]])
>>> a.T
array([[3., 1., 7.],
[7., 4., 2.],
[3., 2., 4.],
[4., 2., 9.]])
>>> a.T.shape
(4, 3)
>>> a.resize((2, 6))
>>> a
array([[3., 7., 3., 4., 1., 4.],
[2., 2., 7., 2., 4., 9.]])
|
把不同数组堆叠到一起
>>> a
array([[9., 7.],
[5., 2.]])
>>> b
array([[1., 9.],
[5., 1.]])
>>> np.vstack((a, b))
array([[9., 7.],
[5., 2.],
[1., 9.],
[5., 1.]])
>>> np.hstack((a, b))
array([[9., 7., 1., 9.],
[5., 2., 5., 1.]])
|
column_stack 把一维数组作为列堆叠到二维数组中
分裂数组
a = np.floor(10 * rg.random((2, 12)))
>>> a
array([[6., 7., 6., 9., 0., 5., 4., 0., 6., 8., 5., 2.],
[8., 5., 5., 7., 1., 8., 6., 7., 1., 8., 1., 0.]])
>>>
>>> np.hsplit(a, 3)
[array([[6., 7., 6., 9.],
[8., 5., 5., 7.]]), array([[0., 5., 4., 0.],
[1., 8., 6., 7.]]), array([[6., 8., 5., 2.],
[1., 8., 1., 0.]])]
>>>
>>> np.hsplit(a, (3, 4))
[array([[6., 7., 6.],
[8., 5., 5.]]), array([[9.],
[7.]]), array([[0., 5., 4., 0., 6., 8., 5., 2.],
[1., 8., 6., 7., 1., 8., 1., 0.]])]
|
类似的，也有 vsplit
进阶索引
用索引数组索引
a = np.arange(12)**2
>>> i = np.array([1, 1, 3, 8, 5])
>>> a[i]
array([ 1, 1, 9, 64, 25])
>>> j = np.array([[3, 4], [9, 7]])
>>> a[j]
array([[ 9, 16],
[81, 49]])
|
如果是多维数组，则使用多维索引，如
a = np.arange(12).reshape(3, 4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> i = np.array([[0, 1],
... [1, 2]])
>>> j = np.array([[2, 1],
... [3, 3]])
>>>
>>> a[i, j]
array([[ 2, 5],
[ 7, 11]])
|
在 python 中，arr[i, j] 和 arr[(i, j)] 等价
也可以使用索引数组赋值：
>>> a
array([0, 1, 2, 3, 4])
>>> a[[1, 3, 4]] = 0
>>> a
array([0, 0, 2, 0, 0])
|
用 Boolean 数组索引
可以用来筛选满足某些条件的值
a = np.arange(12).reshape(3, 4)
>>> b = a > 4
>>> b
array([[False, False, False, False],
[False, True, True, True],
[ True, True, True, True]])
>>> a[b]
array([ 5, 6, 7, 8, 9, 10, 11])
>>> a[b] = 0
>>> a
array([[0, 1, 2, 3],
[4, 0, 0, 0],
[0, 0, 0, 0]])
|
