python-numpy一些方法总结

1、multiply 
例子：

x1=[1,2,3];x2=[4,5,6]
print multiply(x1,x2)

• 1
• 2

输出：

[ 4 10 18]

• 1

multiply函数得到的结果是对应位置上面的元素进行相乘。

2、std 标准方差 ,var 方差 
例子：

b=[1,3,5,6]
print var(b)
print power(std(b),2)
ll=[[1,2,3,4,5,6],[3,4,5,6,7,8]]
print var(ll[0])
print var(ll,0)#第二个参数为0，表示按列求方差
print var(ll,1)#第二个参数为1，表示按行求方差

• 1
• 2
• 3
• 4
• 5
• 6
• 7

输出：

3.6875
3.6875
2.91666666667
[ 1.  1.  1.  1.  1.  1.]
[ 2.91666667  2.91666667]

• 1
• 2
• 3
• 4
• 5

var输出向量的方差，std输出向量的标准方差。

3、mean 
例子：

b=[1,3,5,6]
print mean(b)
print mean(ll) #全部元素求均值
print mean(ll,0)#按列求均值
print mean(ll,1)#按行求均值

• 1
• 2
• 3
• 4
• 5

结果：

3.75
4.5
[ 2.  3.  4.  5.  6.  7.]
[ 3.5  5.5]

• 1
• 2
• 3
• 4

mean函数得到向量的均值。

4、sum 
求和 
例子

x=[[0, 1, 2],[2, 1, 0]]
b=[1,3,5,6]
print sum(b)
print sum(x)

• 1
• 2
• 3
• 4

输出：

15
6

• 1
• 2

sum求向量的和。也可以求矩阵所有元素的和

5、cov()

例子：

b=[1,3,5,6]
print cov(b)
print sum((multiply(b,b))-mean(b)*mean(b))/3

• 1
• 2
• 3

输出：

4.91666666667
4.91666666667

• 1
• 2

cov求的是样本协方差 
公式如下： 
 
公式一是样本均值 
公式二是样本方差 
公式三是样本协方差。 
上面的函数cov就是使用样本协方差求得的。

例子：

x=[[0, 1, 2],[2, 1, 0]]
print cov(x)
print sum((multiply(x[0],x[1]))-mean(x[0])*mean(x[1]))/2

• 1
• 2
• 3

输出结果：

[[ 1. -1.]
 [-1.  1.]]
-1.0

• 1
• 2
• 3

cov的参数是矩阵，输出结果也是矩阵！输出的矩阵为协方差矩阵！ 
计算过程如下： 
 
截图来源维基百科：协方差矩阵

6、corrcoef 
该函数得到相关系数矩阵。 
例子：

    vc=[1,2,39,0,8]
    vb=[1,2,38,0,8]
    print mean(multiply((vc-mean(vc)),(vb-mean(vb))))/(std(vb)*std(vc))
    #corrcoef得到相关系数矩阵（向量的相似程度）
    print corrcoef(vc,vb)

• 1
• 2
• 3
• 4
• 5

输出结果：

0.999986231331
[[ 1.          0.99998623]
 [ 0.99998623  1.        ]]

• 1
• 2
• 3

相关系数公式： 

对应着公式理解上面的代码，应该是很容易的。

7、vdot 向量的点积 
例子：

    #vdot 返回两向量的点积
    l1=[1,2,3]
    l2=[4,5,6]
    print  vdot(l1,l2)

• 1
• 2
• 3
• 4

结果：

32

• 1

点积没什么说的，对应位置相乘求和。

8、mat 
例子：

    l1=[1,2,3]
    l2=[4,5,6]
    ll=[l1,l2]
    print  vdot(l1,l2)
    print mat(l1)*mat(l2).T
    print mat(ll)

• 1
• 2
• 3
• 4
• 5
• 6

结果：

32
[[32]]
[[1 2 3]
 [4 5 6]]

• 1
• 2
• 3
• 4

mat函数把列表转换成矩阵形式。这在矩阵运算中不可缺少。

9、shape 
例子：

    #矩阵有一个shape属性，是一个(行，列)形式的元组
    a = array([[1,2,3],[4,5,6]])
    print a.shape

• 1
• 2
• 3

结果：

(2, 3)

• 1

shape返回矩阵的行列数

10、ones 
例子：

    #返回按要求的矩阵
    ones = ones((2,1))
    print ones

• 1
• 2
• 3

结果：

[[ 1.]
 [ 1.]]

• 1
• 2

ones返回指定行列数的全一矩阵

11、xrange 
例子：

    for i in xrange(3):
        print i
    test=[1,2,3,4]
    print test[:]
    print test[2:3]
    for i in xrange(2,5):
        print i

• 1
• 2
• 3
• 4
• 5
• 6
• 7

结果：

0
1
2
[1, 2, 3, 4]
[3]
2
3
4

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

xrange用于循环中，参数为一个整数的话，可循环遍历小于该参数的值。两个参数，则循环遍历两个整数之间的值。 
test[:]则表示获取test列表中的所有元素。 
test[2:3]则表示获取从第2个位置到第三个位置间的元素。

12、strptime 
例子：

import time
from datetime import datetime,date
dd = datetime.strptime('2014-04-03T10:53:49.875Z', "%Y-%m-%dT%H:%M:%S.%fZ")
    print time.mktime(dd.timetuple())#1396493629.0

• 1
• 2
• 3
• 4

结果：

1396493629.0

• 1

strptime把时间按照指定的格式转换。处理时间的时候会用到这个函数。

13、tuple和数组转换成字符串 
例子：

    tuple =(1,2,3)
    print tuple[len(tuple)-1]
    print tuple[-1]
    print 9.99.__repr__()
    print str(9.99)

• 1
• 2
• 3
• 4
• 5

结果：

3
3
9.99
9.99

• 1
• 2
• 3
• 4

上面的示例中tuple是一个元组，访问元素的时候，可以通过[index]这种方式访问。 
访问最后一个元素的时候，可以通过[-1]访问. 
那么访问倒数第二个元素：

print tuple[-2] 
输出结果：2

另外，数字转换成字符串有两种方式：

_ _ repr _ _() 
str()

14、transpose和.T 
例子：

    aa =[[1],[2],[3]]
    aa= mat(aa)#将列表转换成矩阵，并存放在aa中
    print aa
    print aa.transpose()#将矩阵进行转置
    print aa #transpose()进行矩阵的转置，aa并没有改变
    print '*'*20
    print aa.T
    print aa #T转置矩阵，也没有发生改变

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

输出结果：

[[1]
 [2]
 [3]]
[[1 2 3]]
[[1]
 [2]
 [3]]
********************
[[1 2 3]]
[[1]
 [2]
 [3]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

有两种方式实现矩阵的转置。

15、zeros() ones() 
例子：

    print zeros((2,1))
    print ones((2,3))#参数指明了矩阵的行列数

• 1
• 2

结果：

[[ 0.]
 [ 0.]]
[[ 1.  1.  1.]
 [ 1.  1.  1.]]

• 1
• 2
• 3
• 4

zeros返回指定行列全零矩阵 
ones返回指定行列的全一矩阵

16、列表 数组 linspace 
例子：

    #列表和数组的区别：
    #列表： [1, 2, 3, 4]
    #数组： [1 2 3 4]
    print '*'*20
    ll =[1,2,3,4]
    print '列表：',ll
    arr = array(ll)
    print '数组：',arr

    print '*'*20
    print linspace(0,3,6) #返回的是数组

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

输出结果：

********************
列表： [1, 2, 3, 4]
数组： [1 2 3 4]
********************
[ 0.   0.6  1.2  1.8  2.4  3. ]

• 1
• 2
• 3
• 4
• 5

数组中间元素没有分隔符。列表逗号分割。 
linspace返回的是指定的开始结束位置的指定个数的数。

linspace(0,3,6)返回0到3之间6个数字，且间隔均匀

17、argsort 排序索引 
例子：

    print '**************数组排序问题****************'
    #数组的构建问题，初始化使用array()
    ary=array(zeros(4))
    ary[0]=0.1
    ary[1]= 0.6
    ary[2]= 0.5
    ary[3]= 0.7
    #有-号，降序排列
    #无-号，升序排列
    sortindex = argsort(ary)
    for id in sortindex:
        print '索引：',id
    for i in ary:
        print i

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

结果：

**************数组排序问题****************
索引： 0
索引： 2
索引： 1
索引： 3
0.1
0.6
0.5
0.7

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

argsort函数返回数组按照从小到大排序的位置的索引。

sortindex = argsort(-ary) 
for id in sortindex: 
print ‘索引：’,id 
for i in sortindex: 
print ary[i]

输出结果： 
索引： 1 
索引： 2 
索引： 0 
0.7 
0.6 
0.5 
0.1

18、 [:,:]矩阵元素切片

    #矩阵元素的获取
    ll = [[1,2,3],[4,5,6],[7,8,9]]
    #获取第二行第0个元素
    print mat(ll)[2,0]
    #第一个冒号代表获取行的起止行号
    #第二个冒号代表获取列的起止行号
    print mat(ll)[:,:]

• 1
• 2
• 3
• 4
• 5
• 6
• 7

结果：

7
[[1 2 3]
 [4 5 6]
 [7 8 9]]

• 1
• 2
• 3
• 4

19、diag 
例子：

    #构建对角矩阵 
    #diag()参数为列表即可
    dd = [1,2,3]
    dilogg = diag(dd)
    print 'diag=',dilogg

• 1
• 2
• 3
• 4
• 5

结果：

diag= [[1 0 0]
     [0 2 0]
     [0 0 3]]

• 1
• 2
• 3

diag构建对角矩阵

20、linalg.inv和.I 求逆矩阵 
例子：

    dd = [1,2,3]
    dilogg = diag(dd)
    print 'diag=',dilogg
    print 'dd:',linalg.inv(dilogg)
    print 'I=',mat(dilogg).I
    ll = [[1,2,3],[4,5,6],[7,8,9]]
    #求逆矩阵
    lv = linalg.inv(mat(ll))
    print 'inv:',lv
    print 'I:',mat(ll).I

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

结果：

diag= [[1 0 0]
 [0 2 0]
 [0 0 3]]
dd: [[ 1.          0.          0.        ]
 [ 0.          0.5         0.        ]
 [ 0.          0.          0.33333333]]
I= [[ 1.          0.          0.        ]
 [ 0.          0.5         0.        ]
 [ 0.          0.          0.33333333]]
inv: [[ -4.50359963e+15   9.00719925e+15  -4.50359963e+15]
 [  9.00719925e+15  -1.80143985e+16   9.00719925e+15]
 [ -4.50359963e+15   9.00719925e+15  -4.50359963e+15]]
I: [[ -4.50359963e+15   9.00719925e+15  -4.50359963e+15]
 [  9.00719925e+15  -1.80143985e+16   9.00719925e+15]
 [ -4.50359963e+15   9.00719925e+15  -4.50359963e+15]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

上面求逆矩阵有两种方式。 
linalg.inv()和 矩阵.I 
两种方式均可。

21、dot矩阵点积 
例子：

    ll = [[1,2,3],[4,5,6],[7,8,9]]
    ld = dot(ll,ll)
    print 'dot:',ld
    print mat(ll)*mat(ll)

• 1
• 2
• 3
• 4

结果：

dot: [[ 30  36  42]
 [ 66  81  96]
 [102 126 150]]
[[ 30  36  42]
 [ 66  81  96]
 [102 126 150]]

• 1
• 2
• 3
• 4
• 5
• 6

22、eye 单元矩阵 
例子：

print 'eye:',eye(2)#单元矩阵

• 1

结果：

eye: [[ 1.  0.]
 [ 0.  1.]]

• 1
• 2

23 eig 矩阵的特征值和特征向量 
例子：

    A=mat([[1,0,0,0,2],[0,0,3,0,0],[0,0,0,0,0],[0,4,0,0,0]])
    U =A*A.T
    lamda,hU=linalg.eig(U)
    print 'hU:',hU
    print lamda

• 1
• 2
• 3
• 4
• 5

结果：

hU: [[ 1.  0.  0.  0.]
 [ 0.  1.  0.  0.]
 [ 0.  0.  1.  0.]
 [ 0.  0.  0.  1.]]
 [  5.   9.   0.  16.]

• 1
• 2
• 3
• 4
• 5

24 sorted 排序 
例子：

    ll=[8,0,3,6,1,0,5,3,8,9]
    print sorted(ll,reverse=True) #降序
    print sorted(ll,reverse=False) #升序

• 1
• 2
• 3

结果：

[9, 8, 8, 6, 5, 3, 3, 1, 0, 0]
[0, 0, 1, 3, 3, 5, 6, 8, 8, 9]

• 1
• 2

25、linalg.svd 奇异值分解 
例子：

    A=mat([[1,0,0,0,2],[0,0,3,0,0],[0,0,0,0,0],[0,4,0,0,0]])
    U,S,VT =linalg.svd(A)
    print 'U:',U
    print 'V:',VT
    print 's:',S
    print '===',U*(mat(diag(S))*eye(4,5))*VT

• 1
• 2
• 3
• 4
• 5
• 6

结果：

U: [[ 0.  0.  1.  0.]
 [ 0.  1.  0.  0.]
 [ 0.  0.  0. -1.]
 [ 1.  0.  0.  0.]]
V: [[ 0.          1.         -0.         -0.         -0.        ]
 [ 0.          0.          1.         -0.         -0.        ]
 [ 0.4472136   0.         -0.         -0.          0.89442719]
 [ 0.          0.         -0.          1.         -0.        ]
 [-0.89442719  0.         -0.         -0.          0.4472136 ]]
s: [ 4.          3.          2.23606798  0.        ]
=== [[ 1.  0.  0.  0.  2.]
 [ 0.  0.  3.  0.  0.]
 [ 0.  0.  0.  0.  0.]
 [ 0.  4.  0.  0.  0.]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

关于什么是奇异值分解，请参考奇异值分解

26、random.rand 
例子：

    A=mat([[1,0,0,0,2],[0,0,3,0,0],[0,0,0,0,0],[0,4,0,0,0]])
    print A[:,1]

    #获取3*3个0-1之间的数字
    rr=random.rand(3,3)
    print rr
    print (rr-0.5)
    print 2.0*(rr-0.5)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

结果：

[[0]
 [0]
 [0]
 [4]]
[[ 0.30446153  0.40653841  0.40143809]
 [ 0.77970727  0.57491894  0.85801586]
 [ 0.33509491  0.64652856  0.48276137]]
[[-0.19553847 -0.09346159 -0.09856191]
 [ 0.27970727  0.07491894  0.35801586]
 [-0.16490509  0.14652856 -0.01723863]]
[[-0.39107693 -0.18692318 -0.19712383]
 [ 0.55941453  0.14983789  0.71603172]
 [-0.32981018  0.29305712 -0.03447726]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

random.rand(3,3)随机获取3*3个0-1之间的数字

27、arange 
例子：

    delta = 0.25
    x = arange(-3.0, 3.0, delta)
    print x

• 1
• 2
• 3

结果：

[-3.   -2.75 -2.5  -2.25 -2.   -1.75 -1.5  -1.25 -1.   -0.75 -0.5  -0.25
  0.    0.25  0.5   0.75  1.    1.25  1.5   1.75  2.    2.25  2.5   2.75]

• 1
• 2

arange获取指定起始位置，指定步长的一系列数。

28、nonzero() 
例子：

    x =[[1,0,0,0,2],[0,0,3,0,0]]
    print x
    nz=nonzero(x)
    print nz
    print nz[0]

• 1
• 2
• 3
• 4
• 5

结果：

[[1, 0, 0, 0, 2], [0, 0, 3, 0, 0]]
(array([0, 0, 1]), array([0, 4, 2]))
[0 0 1]

• 1
• 2
• 3

nonzero（）函数返回矩阵中非0元素的位置 
nz的返回值意义如下： 
第一行是所有非零数所在行值 
第二行是所有非零值所在列值

29、获取指定位置的元素 
例子：

    A=mat([[1,0,0,0,2],[0,0,3,0,0],[0,0,0,0,0],[0,4,0,0,0]])
    sample =A[0,:]
    print sample
    print sample[0]

    ll=mat([3,4,5])
    for i in range(5):
        if sum(ll==i):
            print i

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

结果：

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

• 1
• 2
• 3
• 4

A[0,:]的意义是获取第0行的所有元素 
if sum(ll==i):的意义是只要i存在ll矩阵中，if就是True 
ll必须是mat转换的矩阵。列表好像不行。并且还是单行的矩阵。

第二个例子：

    A=mat([[1,0,0,0,2],[0,0,3,0,0],[0,0,0,0,0],[0,4,0,0,0]])
    #根据ind序列索引获取矩阵A中的数据
    ind=[2,1,3,0]
    print A[ind,0]

• 1
• 2
• 3
• 4

结果：

[[0]
 [0]
 [0]
 [1]]

• 1
• 2
• 3
• 4

30、zip 
例子：

    ll=[1,2,3,4,5,6]
    #可以互换指定区域的位置
    print ll[3:6]+ll[0:3]
    #成对获取x、y的值
    l1=[1,2,3]
    l2=[4,5,6]
    for x,y in zip(l1,l2):
        print x,y

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

结果：

[4, 5, 6, 1, 2, 3]
1 4
2 5
3 6

• 1
• 2
• 3
• 4

print ll[3:6]+ll[0:3]这行代码实现指定位置的元素进行交换。

31、chr函数，获取指定的字符 
例子：

    #获取指定的字符
    for i in range(65,70):
        print str(chr(i))

• 1
• 2
• 3

结果：

A
B
C
D
E

• 1
• 2
• 3
• 4
• 5

32、random.shuffle 
例子：

    ll=range(9)#返回列表
    print ll
    #shuffle函数随机打乱列表中的元素顺序
    print random.shuffle(ll)
    print ll

• 1
• 2
• 3
• 4
• 5

结果：

[0, 1, 2, 3, 4, 5, 6, 7, 8]
None
[8, 5, 1, 4, 2, 6, 0, 3, 7]

• 1
• 2
• 3

shuffle函数随机打乱列表中的元素顺序

33、vdot 点积 
例子：

    #vdot 返回两向量的点积
    l1=[1,2,3]
    l2=[4,5,6]
    ll=[l1,l2]
    print vdot(l1,l2)
    print dot(l1,l2)
    print mat(l1)*mat(l2).T
    print mat(ll)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

结果：

32
32
[[32]]
[[1 2 3]
 [4 5 6]]

• 1
• 2
• 3
• 4
• 5

vdot 和 dot都可以获取向量的点积。

区别：

    ll=[[1,2,3],[4,5,6],[1,2,3]]
    print dot(mat(ll),mat(ll).T)
    print vdot(mat(ll),mat(ll))

• 1
• 2
• 3

结果：

[[14 32 14]
 [32 77 32]
 [14 32 14]]
[[105]]

• 1
• 2
• 3
• 4

总结：对于向量来说，vdot dot向量的点积结果相同。 
对于矩阵来说，dot是矩阵的点积。 
而vdot是对应位置的元素乘积求和。 
结果中的105=1^2+2^2+3^3+4^2+5^2+6^2+1^2+2^2+3^3

34、次方计算** 
例子：

    print 3*2**2
    print 3*2**0.5
    print (3*2)**2
    print (3*2)**0.5

• 1
• 2
• 3
• 4

结果：

12
4.24264068712
36
2.44948974278

• 1
• 2
• 3
• 4

可见 **次方计算优先级要高！

35、max函数 
例子：

    ll=[3,4,6,2,89,9,3,2]
    print max(ll)
    l2=[[3,4,6,2,89,9,3,2],[3,6,7,8,983,3,5,6]]
    print max(l2[0])
    print max(l2)

• 1
• 2
• 3
• 4
• 5

结果：

89
89
[3, 6, 7, 8, 983, 3, 5, 6]

• 1
• 2
• 3

对于矩阵的最大值的求法，还不知道怎么搞。稍后更新一下。

36、mgrid函数

    #开始值，结束值，步长。如果步长为虚数，表示产生的个数长度
    print mgrid[-5:5:3j] #结果：[-5.  0.  5.]
    print mgrid[-5:5:3] #结果：[-5 -2  1  4]
    print '*'*20
    print mgrid[-5:5:3j,-5:5:3j]
    print '*'*20
    print mgrid[-5:5:3,-5:5:3]

• 1
• 2
• 3
• 4
• 5
• 6
• 7

结果：

[-5.  0.  5.]
[-5 -2  1  4]
********************
[[[-5. -5. -5.]
  [ 0.  0.  0.]
  [ 5.  5.  5.]]

 [[-5.  0.  5.]
  [-5.  0.  5.]
  [-5.  0.  5.]]]
 ********************
 [[[-5 -5 -5 -5]
      [-2 -2 -2 -2]
      [ 1  1  1  1]
      [ 4  4  4  4]]

     [[-5 -2  1  4]
      [-5 -2  1  4]
      [-5 -2  1  4]
      [-5 -2  1  4]]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20

mgrid函数说明：开始值，结束值，步长。如果步长为虚数，表示产生的个数长度。 
对照结果即可知道函数的功能。

37、ogrid函数 
例子：

    print ogrid[-5:5:3j]
    print ogrid[-5:5:3]
    print ogrid[-5:5:3j,-5:5:3j]
    print ogrid[-5:5:3,-5:5:3]

• 1
• 2
• 3
• 4

结果：

[-5.  0.  5.]
[-5 -2  1  4]
[array([[-5.],
       [ 0.],
       [ 5.]]), array([[-5.,  0.,  5.]])]
[array([[-5],
       [-2],
       [ 1],
       [ 4]]), array([[-5, -2,  1,  4]])]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

ogrid跟mgrid一样。不同的是，一个数矩阵，一个数组形式。第三个擦数如果是实数，说明是步长。如果是虚数，说明是个数。 
ogrid[-5:5:3,-5:5:3]第一部分产生多行一列，第二部分产生一行多列。这与mgrid不同。

38、random函数

    print random.seed(1)
    #要每次产生随机数相同就要设置种子，相同种子数的Random对象，相同次数生成的随机数字是完全相同的

• 1
• 2

    #用于生成一个指定范围内的随机符点数
    print random.uniform(-1,1,5)
    #结果：[ 0.40254497 -0.42350395 -0.67640645 -0.54075394 -0.99584028]
    #均匀分布

• 1
• 2
• 3
• 4

    #用于生成一个0到1的随机符点数: 0 <= n < 1.0
    print random.random()
    print random.random(5)
    print random.rand(2,3)#2行3列
结果：
    None
0.417022004703
[  7.20324493e-01   1.14374817e-04   3.02332573e-01   1.46755891e-01
   9.23385948e-02]
[[ 0.18626021  0.34556073  0.39676747]
 [ 0.53881673  0.41919451  0.6852195 ]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

    #用于生成一个指定范围内的整数。其中参数a是下限，参数b是上限，生成的随机数n: a <= n <= b
    print random.randint(5, 10)
    print random.randint(5,10,size=(5,5))
结果：
    None
8
[[9 5 6 8 5]
 [5 6 9 9 6]
 [7 9 7 9 8]
 [9 7 9 7 9]
 [6 6 5 6 6]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

更多关于random的函数的解析，请参看这篇文章：http://blog.csdn.net/pipisorry/article/details/39086463

39、tofile、fromfile 
例子：

    a =arange(0,12)
    a.shape = 3,4
    print a
    a.tofile("a.bin")
    b = fromfile("a.bin", dtype=float) # 按照float类型读入数据
    print b # 读入的数据是错误的

    print a.dtype # 查看a的dtype
    b = fromfile("a.bin", dtype=int32) # 按照int32类型读入数据
    print b # 数据是一维的
    b.shape = 3, 4 # 按照a的shape修改b的shape
    print b

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

结果：

None
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[  2.12199579e-314   6.36598737e-314   1.06099790e-313   1.48539705e-313
   1.90979621e-313   2.33419537e-313]
int32
[ 0  1  2  3  4  5  6  7  8  9 10 11]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

使用数组的方法函数tofile可以方便地将数组中数据以二进制的格式写进文件。tofile输出的数据没有格式，因此用numpy.fromfile读回来的时候需要自己格式化数据。 
Note: 
1. 读入的时候设置正确的dtype和shape才能保证数据一致。 
并且tofile函数不管数组的排列顺序是C语言格式的还是Fortran语言格式的，统一使用C语言格式输出。 
2. sep关键字参数:此外如果fromfile和tofile函数调用时指定了sep关键字参数的话， 
数组将以文本格式输入输出。{这样就可以通过notepad++打开查看, 不过数据是一行显示，不便于查看} 
user_item_mat.tofile(user_item_mat_filename, sep=’ ‘)

40、numpy.load和numpy.save 
例子：

     a =arange(0,12)
    a.shape = 3,4
    print a
    save('a.npy',a)
    c=load('a.npy')
    print c

• 1
• 2
• 3
• 4
• 5
• 6

结果：

None
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7

numpy.load和numpy.save函数（推荐在不需要查看保存数据的情况下使用） 
以NumPy专用的二进制类型保存数据，这两个函数会自动处理元素类型和shape等信息， 
使用它们读写数组就方便多了，但是numpy.save输出的文件很难和其它语言编写的程序读入。 
Note: 
1. 文件要保存为.npy文件类型，否则会出错 
2. 保存为numpy专用二进制格式后，就不能用notepad++打开（乱码）看了，这是相对tofile内建函数不好的一点

numpy.savez函数 
如果你想将多个数组保存到一个文件中的话，可以使用numpy.savez函数。savez函数的第一个参数是文件名，其后的参数都是需要保存的数组，也可以使用关键字参数为数组起一个名字，非关键字参数传递的数组会自动起名为arr_0, arr_1, …。savez函数输出的是一个压缩文件(扩展名为npz)，其中每个文件都是一个save函数保存的npy文件，文件名对应于数组名。load函数自动识别npz文件，并且返回一个类似于字典的对象，可以通过数组名作为关键字获取数组的内容： 
如果你用解压软件打开result.npz文件的话，会发现其中有三个文件：arr_0.npy， arr_1.npy， sin_array.npy，其中分别保存着数组a, b, c的内容。

    a = array([[1,2,3],[4,5,6]])
    b = arange(0, 1.0, 0.1)
    c = sin(b)
    savez("result.npz", a, b, sin_array = c)
    r =load("result.npz")
    print r["arr_0"] # 数组a
    print r["arr_1"] # 数组b
    print r["sin_array"] # 数组c

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

结果：

None
[[1 2 3]
 [4 5 6]]
[ 0.   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9]
[ 0.          0.09983342  0.19866933  0.29552021  0.38941834  0.47942554
  0.56464247  0.64421769  0.71735609  0.78332691]

• 1
• 2
• 3
• 4
• 5
• 6
• 7

numpy.savetxt和numpy.loadtxt（推荐需要查看保存数据时使用） 
Note:savetxt缺省按照’%.18e’格式保存数据， 可以修改保存格式为‘%.8f’(小数点后保留8位的浮点数)， ’%d’(整数)等等 
总结： 
载入txt文件：numpy.loadtxt()/numpy.savetxt() 
智能导入文本/csv文件：numpy.genfromtxt()/numpy.recfromcsv() 
高速，有效率但numpy特有的二进制格式：numpy.save()/numpy.load()

39、40部分来源：http://blog.csdn.net/pipisorry/article/details/39088003。详细内容请参看这个链接。

41、permutation函数 
例子：

    #混淆位置。如果是多维数组，则混淆一维的。例如下面的arr.
    print random.permutation(10)
    print random.permutation([1, 4, 9, 12, 15])

    arr=arange(9).reshape((3,3))
    print arr
    print random.permutation(arr)

• 1
• 2
• 3
• 4
• 5
• 6
• 7

结果：

None
[2 9 6 4 0 3 1 7 8 5]
[12  1  4  9 15]
[[0 1 2]
 [3 4 5]
 [6 7 8]]

• 1
• 2
• 3
• 4
• 5
• 6

permutation混淆位置。如果是多维数组，则混淆一维的。例如下面的arr.

42、complex构造复数 
例子：

print complex(0,100)#结果：100j

• 1

43、norm求范数 
例子：

from scipy.linalg.misc import norm
print norm([8,6,10])

• 1
• 2

结果：

14.1421356237

• 1

默认情况下，求二范数。也就是各个元素的平方和再开平方。 
当然，也可以求取其他范数。例如p范数、无穷范数等。 
我这里import写的是scipy。其实numpy里面也有这个函数。详细的其他范数的求法请参考官网http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.linalg.norm.html内容的介绍。对于求二范数的结果，我这里介绍的就够用了。

待续。。。。！！

原文地址：http://blog.csdn.net/u010156024/article/details/50419338