Numpy基础教程

基本概念：

数组：具有相同类型的数据组成的序列，且该序列是有序集合。
数组中的每一个数据称为数据元素。
数组元素由其所在的位置序号来区分。
一维数组是向量，二维数组是矩阵，三维数组.........

首先需要导入：

import numpy as np

numpy中的array创建：

# 创建一维数组
array_1 = np.array([1,2,3])

在这里插入图片描述

# 创建二维数组（多维数组也同理）
array_2 = np.array([[1,2,3],
                   	[4,5,6]])  # 可以放在同一排，也可以对齐

在这里插入图片描述

# 生成全零的形状为[2,3]的数组，用括号也可以(2,3)
o = np.zeros([2,3])

在这里插入图片描述

# 生成全一的形状为[3,4]的数组
one = np.ones([3,4])

在这里插入图片描述

# 生成全为空的[3,3]的数组，其实是生成很小很小的数
empty = np.empty([3,3])

# 生成有序的一维数组
youxu = np.arange(10)  # 0-9总的10个数
# 将一维数组重成其他形状
a = np.array(12)
b = a.reshape([3,4])

在这里插入图片描述

numpy中的array形状，纬度，大小：

# 数组的形状，维度，大小
print(array_2.shape)
print(array_2.ndim)
print(array_2.size)

在这里插入图片描述

numpy中的array加减法，次方，三角函数，乘法：

# array的减法和加法
a = np.array([10,20,30,40])
b = np,arange(4)
c = a-b
d = a+b

在这里插入图片描述

# array的次方
a = np.array([10,20,30,40])
b = a**2
print(b)

在这里插入图片描述

# numpy中的三角函数sin cos tan
a = np.array([[1,2,3],[2,3,4],[3,4,5]])

在这里插入图片描述

# 判断各个数，返回True Flase
a = np.arange(4)
print(a<3)
print(a>3)

在这里插入图片描述

# numpy 的乘法（每个元素相乘和矩阵相乘）
a = np.array([[2,3],[3,4]])
b = np.arange(4).reshape([2,2])
# 每个元素相乘
c = a*b
# 矩阵相乘
d = np.dot(a,b)
d_2 = a.dot(b)

在这里插入图片描述

numpy中的最大小值，求和，平均值，中位数：

# 矩阵元素的最大值最小值,求和，平均值，中位数
# 最大值
a = np.arange(2,14).reshape([3,4])
np.max(a)  # 全部元素的最大值
np.max(a,axis=0) # 按列  每列的最大值
np.max(a,axis=1) # 按行  每行的最大值
# 最小值同理
np.min(a)
np.min(a,axis=0)
np.min(a,axis=1)
# 求和同理
np.sum(a)
np.sum(a,axis=0)
np.sum(a,axis=1)
# 平均值同理
np.mean(a)
np.average(a)
# 中位数同理
np.median(a)

在这里插入图片描述

numpy中值对应的索引：

# 返回索引
# 最大值索引
np.argmax(a)  # 全部元素最大值的索引
np.argmax(a,axis=0)  # 按列 每列的最大值索引
np.argmax(a,axis=1)  # 按行 每行的最大值索引
# 最小值索引同理
np.argmin(a)
np.argmin(a,axis=0)
np.argmin(a,axis=1)

在这里插入图片描述

numpy中的累和，累差：

# 求累和和累差
a = np.arange(2,14).reshape([3,4])
# 累和
np.cumsum(a)
# 累差
np.diff(a)

在这里插入图片描述

numpy中判断非零元素：

# 判断元素非零
a = np.array([[1,2],[0,3]])
np.nonzero(a)
# 0行0列非零，0行1列非零，1行1列非零

在这里插入图片描述

numpy中Transpose：

# 矩阵的转置，行变列，列变行
a = np.arange(6).reshape([2,3])
print(a,a.shape)
b = np.transpose(a)
print(b,b.shape)

在这里插入图片描述

numpy中np.clip 大小阈值：

# np.clip 给定min和max，小于最小值元素的变为最小值，大于最大值的元素变为最大值，介于中介的保持不变
a = np.array([[2,3,4],[3,7,8],[20,45,6]])
np.clip(a,6,10)

在这里插入图片描述

numpy中索引对应的值：

# numpy的索引
# 一维数组的索引
one_array = np.arange(2,14)
print(one_array)
print(one_array[3]) # 想要显示5的话

在这里插入图片描述

# 二维数组的索引
two_array = np.arange(2,14).reshape([3,4])
print(two_array)
# 想要显示第二行
print(two_array[1])  
print(two_array[1,:])
# 想要显示第三列
print(two_array.T[2])   
# 想要显示10
print(two_array[2][0])  
print(two_array[2,0])  
# 想要显示[11,12,13]
print(two_array[2,1:4])

在这里插入图片描述

numpy中的迭代：

two_array = np.arange(2,14).reshape([3,4])
# 迭代行
for row in two_array:
    print(row)
# 迭代列
for col in two_array.T:
    print(col)
# 迭代每一个元素
print(two_array.flatten())
for item in two_array.flat:
    print(item)

在这里插入图片描述

numpy中的数组矩阵合并：

# 合并
# a，b是一维数组
a = np.array([1,1,1])
b = np.array([2,2,2])
# 上下合并后变成二维矩阵
print(np.hstack((a,b)))   # horizontal stack  左右合并
print(np.vstack((a,b)))   # vertical stack  上下合并

# 直接给一维数组增加新的纬度
print(a[np.newaxis,:])   # 在行上增加
print(a[:,np.newaxis])   # 在列上增加
c = a[:,np.newaxis]
d = b[:,np.newaxis]
merge_vstack = np.vstack((c,d,d,c))   # 上下合并
merge_hstack = np.hstack((c,d,d,c))   # 左右合并
merge_axis0 = np.concatenate((c,d,d,c), axis=0)  # axis=0 上下合并
merge_axis1 = np.concatenate((c,d,d,c), axis=1)  # axis=1 左右合并
print("merge_vstack:",merge_vstack )  
print("merge_hstack:",merge_hstack)
print("merge_axis0:",merge_axis0)
print("merge_axis1:",merge_axis1)

在这里插入图片描述

numpy中的数组矩阵分割：

# 分割
a = np.arange(12).reshape([3,4])
# 水平均等分割
print(np.split(a,2,axis=1))
print(np.hsplit(a,2))
# 上下均等分割
print(np.split(a,3,axis=0))
print(np.vsplit(a,3))
# 不均等分割不能用np.split(),要用np.array_split()
print(np.split(a,3,axis=1))  # 这句会报错
print(np.array_split(a,3,axis=1))

在这里插入图片描述

numpy中的赋值和deepcopy：

# 赋值  a,b,c,都会关联
a = np.arange(4)
b = a
c = a
d = b
b is a
d is a
a[0] = [13]
print(a)
print(b)
print(c)
print(d)
# deep copy  不关联
b = a.copy()  # deep copy
b is a
print(a)
print(b)
a[1:3] = [100,99]
print(a)
print(b)