目录
一、Numpy常见用法
1. 创建数组
1）使用np.array创建
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
arr的输出为array([1, 2, 3, 4, 5])。
我们输入以下代码创建二维数组：
my_matrix = [[1,2,3],[4,5,6],[7,8,9]]
mtrx= np.array(my_matrix)
mtrx的输出如下：
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
2）创建特殊数组
#生成特殊数组
a1 = np.zeros((3,5)) #生成全0数组
print(a1)
b1 = np.ones((2,3))
print(b1)3）使用arange()生成数组
# 利用arange()生成数组
c1 = np.arange(10,20,2)
print(c1)2. 索引与切片
1）索引一维数组与二位数组如下：
print('arr[0]=',arr[0],'mtrx[1,1]=',mtrx[1,1])
输出 arr[0]= 1 mtrx[1,1]= 5。
对数组切片：
arr[:3]
输出结果为 array([1, 2, 3])。
2）倒数切片：
arr[-3:-1]
输出 array([3, 4])。
加入步长(step)，步长决定了切片间隔：
arr[1:4:2]
输出 array([2, 4])。
3）二维数组切片：
mtrx[0:2, 0:2]
输出，代码意义为取第1、2行，第1、2列：
array([[1, 2],
[4, 5]])
3. dtype
NumPy的dtpe有如下几种数据类型：
-
i - integer
-
b - boolean
-
u - unsigned integer
-
f - float
-
c - complex float
-
m - timedelta
-
M - datetime
-
O - object
-
S - string
-
U - unicode string
-
V - fixed chunk of memory for other type ( void )
import numpy as np
arr1 = np.array([1, 2, 3, 4])
arr2 = np.array(['apple', 'banana', 'cherry'])
print('arr1.dtype=',arr1.dtype,'arr2.dtype=',arr2.dtype)
输出为 arr1.dtype= int32 arr2.dtype= <U6。arr1数据类型为int32，arr2的<U6表示不超过6位Unicode字符串。
我们可以指定dtype类型。
arr = np.array(['1', '2', '3'], dtype='f')
输出结果为 array([1., 2., 3.], dtype=float32)，其中1.表示1.0，可以看到dtype被设置为float32数据类型。
4. 一般方法
4.1 arange
np.arange(0,101,2)输出结果如下，该命令表示，在[0,101)区间内均匀地生成数据，间隔步长为2。
array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24,
26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48, 50,
52, 54, 56, 58, 60, 62, 64, 66, 68, 70, 72, 74, 76,
78, 80, 82, 84, 86, 88, 90, 92, 94, 96, 98, 100])
4.2 zeros
np.zeros((2,5))输出结果如下，该命令表示，输出2行5列全为0的矩阵（二维数组）。
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
4.3 ones
np.ones((4,4))输出结果如下，该命令表示，输出4行4列全为1的矩阵。
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
4.4 eye
np.eye(5)输出结果如下，该命令表示，输出对角线为1其余全为0的5行5列方阵。
方阵为行列相同的矩阵。也就是我们数学中的单位矩阵
array([[1., 0., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 0., 0., 1.]])
4.5 rand
np.random.rand(5,2) 命令生成5行2列的随机数。
array([[0.67227856, 0.4880784 ],
[0.82549517, 0.03144639],
[0.80804996, 0.56561742],
[0.2976225 , 0.04669572],
[0.9906274 , 0.00682573]])
如果想保证随机出与本例一样的随机数，可使用与本例相同的随机种子。通过np.random.seed方法设置。
np.random.seed(99)
np.random.rand(5,2)
4.6 randint
np.random.randint(0,101,(4,5))输出结果如下，该命令表示，在[0,101)区间内随机选取整数生成4行5列的数组。
array([[ 1, 35, 57, 40, 73],
[82, 68, 69, 52, 1],
[23, 35, 55, 65, 48],
[93, 59, 87, 2, 64]])
4.7 max min argmax argmin
我们先随机生成一组数：
np.random.seed(99)
ranarr = np.random.randint(0,101,10)
ranarr
输出：
array([ 1, 35, 57, 40, 73, 82, 68, 69, 52, 1])
查看最大最小值分别为：使用
print('ranarr.max()=',ranarr.max(),'ranarr.min()=',ranarr.min())
输出结果为ranarr.max()= 82 ranarr.min()= 1。
其中最大值和最小值的索引位置分别为：
print('ranarr.argmax()=',ranarr.argmax(),'ranarr.argmin()=',ranarr.argmin())
输出：ranarr.argmax()= 5 ranarr.argmin()= 0。
注意，当出现多个最大最小值时，取前面的索引位置。
总结如下：
.min() : 返回最小值
.max():返回最大值
.argmin():返回最小值所在的索引
.argmax():返回最大值所在的索引
print(ranarr.argmin())
print(ranarr.argmax())
print(ranarr.max())
print(ranarr.min())二、NumPy进阶用法
1. reshape
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(4, 3)
其中，arr为一维数组，newarr为二位数组，其中行为4，列为3。
reshape 用来塑造数组，shape用来反映数组维度
print('arr.shape=',arr.shape,'newarr.shape=',newarr.shape)
输出 arr.shape= (12,) newarr.shape= (4, 3)。
newarr的输出结果如下：
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
2. 合并与分割
2.1 concatenate
一维数组合并： 使用np.concatenate((arr1,arr2)) 注意：两层括号
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.concatenate((arr1, arr2))
arr
输出： array([1, 2, 3, 4, 5, 6])。
二维数组合并：
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
arr = np.concatenate((arr1, arr2))
arr
输出为：
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
我们添加参数axis=1：
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
arr = np.concatenate((arr1, arr2), axis=1)
arr
输出为：
array([[1, 2, 5, 6],
[3, 4, 7, 8]])
我们把鼠标移到 concatenate，按快捷键Shift+Tab查看方法说明。
可以看到concatenate方法沿着现有的轴进行合并操作，默认axis=0。
当我们设置axis=1后，合并操作沿着列进行。
总结即
print("axis=0")
print(arr)
arr2 = np.concatenate((arr1,arr2),axis = 1)
print("axis=1")
print(arr2)运行结果为：
2.2 array_split
分割数组：
arr = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10], [11, 12]])
newarr = np.array_split(arr, 3)
newarr
newarr的值为：
[array([[1, 2],
[3, 4]]),
array([[5, 6],
[7, 8]]),
array([[ 9, 10],
[11, 12]])]
3. 搜索与筛选
3.1 搜索
NumPy可通过where方法查找满足条件的数组索引。
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
x = np.where(arr%2 == 0)
x
输出：
(array([1, 3, 5, 7], dtype=int64),)
3.2 筛选
我们看看下面的代码：
bool_arr = arr > 4
arr[bool_arr]
输出：array([5, 6, 7, 8])。这回我们返回的是数组中的值，而非索引。我们看看bool_arr的内容究竟是什么。 bool_arr的输出为：
array([False, False, False, False, True, True, True, True])
所以我们可以用以下命令代替以上筛选。
arr[arr > 4]
4. 排序
sort方法可对ndarry数组进行排序。
arr = np.array(['banana', 'cherry', 'apple'])
np.sort(arr)
输出排序后的结果：array(['apple', 'banana', 'cherry'], dtype='<U6')。
针对二维数组，sort方法对每一行单独排序。
arr = np.array([[3, 2, 4], [5, 0, 1]])
np.sort(arr)
输出结果：
array([[2, 3, 4],
[0, 1, 5]])
5.三角函数
直接使用np.sin()
# c1 = np.arange(10,20,2)
# print(c1)
#
# #使用数学中的三角函数
# d1 = np.sin(c1)
# print(d1)6. 随机
6.1 随机概率
如果我们想完成如下需求该如何处理？
生成包含100个值的一维数组，其中每个值必须为3、5、7或9。将该值为3的概率设置为0.1。将该值为5的概率设置为0.3。将该值为7的概率设置为0.6。将该值为9的概率设置为0。
我们用如下命令解决：
random.choice([3, 5, 7, 9], p=[0.1, 0.3, 0.6, 0.0], size=(100))
输出结果：
array([7, 5, 7, 7, 7, 7, 5, 7, 5, 7, 7, 5, 5, 7, 7, 5, 3, 5, 7, 7, 7, 7,
7, 7, 7, 7, 7, 7, 5, 3, 7, 5, 7, 5, 7, 3, 7, 7, 3, 7, 7, 7, 7, 3,
5, 7, 7, 5, 7, 7, 5, 3, 5, 7, 7, 5, 5, 5, 5, 5, 7, 7, 7, 7, 7, 5,
7, 7, 7, 7, 7, 5, 7, 7, 7, 7, 3, 7, 7, 5, 7, 5, 7, 5, 7, 7, 5, 7,
7, 7, 7, 7, 7, 3, 5, 5, 7, 5, 7, 5])
6.2 随机排列
permutation根据原有数组生成新的随机排列。
np.random.seed(99)
arr = np.array([1, 2, 3, 4, 5])
new_arr = np.random.permutation(arr)
new_arr
输出为：array([3, 1, 5, 4, 2])。原数组arr不变。
shuffle改变原有数组为随机排列。shuffle在英文中有洗牌的意思。
np.random.seed(99)
arr = np.array([1, 2, 3, 4, 5])
np.random.shuffle(arr)
arr
输出为：array([3, 1, 5, 4, 2])。原数组arr改变。
6.3 随机分布
使用np.random.normal方法生成符合正态分布的随机数。
x = np.random.normal(loc=1, scale=2, size=(2, 3))
x
输出结果为：
array([[ 0.14998973, 3.22564777, 1.48094109],
[ 2.252752 , -1.64038195, 2.8590667 ]])
如果我们想查看x的随机分布，需安装seaborn绘制图像。使用pip安装：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple seaborn
import matplotlib.pyplot as plt
import seaborn as sns
sns.distplot(x, hist=False)
plt.show()
二项分布
使用np.random.binomial方法生成符合二项分布的随机数。
x = np.random.binomial(n=10, p=0.5, size=10)
x
输出结果为： array([8, 6, 6, 2, 5, 5, 5, 5, 3, 4])。
绘制图像：
import matplotlib.pyplot as plt
import seaborn as sns
sns.distplot(x, hist=True, kde=False)
plt.show()
多项式分布
多项式分布是二项分布的一般表示。使用np.random.multinomial方法生成符合多项式分布的随机数。
x = np.random.multinomial(n=6, pvals=[1/6, 1/6, 1/6, 1/6, 1/6, 1/6])
x
上面代码，我们可以简单理解为投掷骰子。n=6为骰子的面，pvals表示每一面的概率为1/6。