一、数组创建 1-11
1. Array 它用于创建一维或多维数组
Dtype:生成数组所需的数据类型。
ndim:指定生成数组的最小维度数。
numpy.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0, like=None)
import numpy as np
np.array([1,2,3,4,5])
# array([1, 2, 3, 4, 5, 6])
sex = pd.Series(['Male','Male','Female'])
np.array(sex)
# array(['Male', 'Male', 'Female'], dtype=object)
2. Linspace 创建一个具有指定间隔的浮点数的数组
start:起始数字
end:结束
Num:要生成的样本数，默认为50。
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)[source]
np.linspace(10,100,10)
# array([ 10., 20., 30., 40., 50., 60., 70., 80., 90., 100.])
3. Arange 在给定的间隔内返回具有一定步长的整数。
step:数值步长。
numpy.arange([start, ]stop, [step, ]dtype=None, *, like=None)
np.arange(5,10,2)
# array([5, 7, 9])
4. Uniform 在上下限之间的均匀分布中生成随机样本
numpy.random.uniform(low=0.0, high=1.0, size=None)
np.random.uniform(5,10,size = 4)
# array([6.47445571, 5.60725873, 8.82192327, 7.47674099])
np.random.uniform(size = 5)
# array([0.83358092, 0.41776134, 0.72349553])
np.random.uniform(size = (2,3))
# array([[0.7032511 , 0.63212039, 0.6779683 ], [0.81150812, 0.26845613, 0.99535264]])
5. Random.randint 在一个范围内生成n个随机整数样本。
numpy.random.randint(low, high=None, size=None, dtype=int)
np.random.randint(5,10,10)
# array([6, 8, 9, 9, 7, 6, 9, 8, 5, 9])
6. Random.random 生成n个随机浮点数样本。
numpy.random.random(size=None)
np.random.random(3)
# array([0.87656396, 0.24706716, 0.98950278])
7. Logspace 在对数尺度上生成间隔均匀的数字。
Start:序列的起始值。
End:序列的最后一个值。
endpoint:如果为True，最后一个样本将包含在序列中。
base:底数。默认是10。
numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0)
np.logspace(0,10,5,base=2)
# array([1.00000000e+00, 5.65685425e+00, 3.20000000e+01, 1.81019336e+02,1.02400000e+03])
8. zeroes 创建一个全部为0的数组。
shape:阵列的形状。
Dtype:生成数组所需的数据类型。’ int ‘或默认’ float ’
numpy.zeros(shape, dtype=float, order='C', *, like=None)
np.zeros((2,3),dtype='int')
# array([[0, 0, 0], [0, 0, 0]])
np.zeros(5)
# array([0., 0., 0., 0., 0.])
9. ones 创建一个全部为1的数组。
shape:阵列的形状。
Dtype:生成数组所需的数据类型。’ int ‘或默认’ float ’
numpy.ones(shape, dtype=None, order='C', *, like=None)
np.ones((3,4))
# array([[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]])
10. full 创建一个单独值的n维数组
fill_value:填充值。
numpy.full(shape, fill_value, dtype=None, order='C', *, like=None)
np.full((2,4),fill_value=2)
# array([[2, 2, 2, 2],
# [2, 2, 2, 2]])
11. Identity 创建具有指定维度的单位矩阵。
dtype：默认为 ꜰʟᴏᴀᴛ类型
numpy.identity(n, dtype=None, *, like=None)
np.identity(4)
# array([[1., 0., 0., 0.],
# [0., 1., 0., 0.],
# [0., 0., 1., 0.],
# [0., 0., 0., 1.]])
二、数组操作
12. min 返回数组中的最小值。
axis:用于操作的轴。
out:用于存储输出的数组。
np.min(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)
arr = np.array([1,1,2,3,3,4,5,6,6,2])
np.min(arr)
# 1
13. max 返回数组中的最大值
np.max(a, axis=None,out=None)
arr = np.array([1,1,2,3,3,4,5,6,6,2])
np.max(arr)
# 6
14. unique 返回一个所有唯一元素排序的数组。
return_index:如果为True，返回数组的索引。
return_inverse:如果为True，返回唯一数组的下标。
return_counts:如果为True，返回数组中每个唯一元素出现的次数。
axis:要操作的轴。默认情况下，数组被认为是扁平的。
numpy.unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None, *, equal_nan=True)
arr = np.array([1,1,2,3,3,4,5,6,6,2])
np.unique(arr,return_counts=True)
# (
# array([1, 2, 3, 4, 5, 6]), ## Unique elements
# array([2, 2, 2, 1, 1, 2], dtype=int64) ## Count
# )
15. mean 返回数组的平均数。
numpy.mean(a, axis=None, dtype=None, out=None)
arr = np.array([1,1,2,3,3,4,5,6,6,2])
np.mean(arr,dtype='int')
# 3
16. medain 返回数组的中位数。
numpy.medain(a, axis=None, out=None)
arr = np.array([[1,2,3],[5,8,4]])
np.median(arr)
# 3.5
17. digitize 返回输入数组中每个值所属的容器的索引。
bin：容器的数组。
right:表示该间隔是否包括右边或左边的bin。
numpy.digitize(x, bins, right=False)[source]
a = np.array([-0.9, 0.5, 0.9, 1, 1.2, 1.4, 3.6, 4.7, 5.3])
bins = np.array([0,1,2,3])
np.digitize(a,bins)
# array([0, 1, 1, 2, 2, 2, 4, 4, 4], dtype=int64)
# Exp Value
# x < 0 : 0
# 0 <= x <1 : 1
# 1 <= x <2 : 2
# 2 <= x <3 : 3
# 3 <=x : 4
# Compares -0.9 to 0, here x < 0 so Put 0 in resulting array.
# Compares 0.5 to 0, here 0 <= x <1 so Put 1.
# Compares 5.4 to 4, here 3<=x so Put 4
18. reshape 它是NumPy中最常用的函数之一。它返回一个数组，其中包含具有新形状的相同数据。
numpy.reshape(shap)
A = np.random.randint(15,size=(4,3))
A
# array([[ 8, 14, 1],
# [ 8, 11, 4],
# [ 9, 4, 1],
# [13, 13, 11]])
A.reshape(3,4)
# array([[ 8, 14, 1, 8],
# [11, 4, 9, 4],
# [ 1, 13, 13, 11]])
A.reshape(-1)
# array([ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
19. expand_dims 它用于扩展数组的维度。
numpy.expand_dims(a, axis)
arr = np.array([ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
np.expand_dims(A,axis=0)
# array([[ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11]])
np.expand_dims(A,axis=1)
# array([[ 8],
# [14],
# [ 1],
# [ 8],
# [11],
# [ 4],
# [ 9],
# [ 4],
# [ 1],
# [13],
# [13],
# [11]])
20. squeeze 通过移除一个单一维度来降低数组的维度。
np.squeeze(a, axis=None)
arr = np.array([[ 8],[14],[ 1],[ 8],[11],[ 4],[ 9],[ 4],[ 1],[13],[13],[11]])
np.squeeze(arr)
# array([ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
21. count_nonzero 计算所有非零元素并返回它们的计数。
numpy.count_nonzero(a, axis=None, *, keepdims=False)
a = np.array([0,0,1,1,1,0])
np.count_nonzero(a)
# 3
22. argwhere 查找并返回非零元素的所有下标。
numpy.argwhere(a)
a = np.array([0,0,1,1,1,0])
np.argwhere(a)
# array([[2],[3],[4]], dtype=int64)
23. argmax & argmin 查找并返回非零元素的所有下标。
argmax返回数组中Max元素的索引。它可以用于多类图像分类问题中获得高概率预测标签的指标。
argmin将返回数组中min元素的索引。
numpy.argmax(a, axis=None, out=None, *, keepdims=<no value>)
numpy.argmin(a, axis=None, out=None, *, keepdims=<no value>)
arr = np.array([[12, 64, 19, 5]])
np.argmax(arr)
# 1
np.argmin(min)
# 3
24. sort 对数组排序。
kind:要使用的排序算法。{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}
numpy.sort(a, axis=- 1, kind=None, order=None)
arr = np.array([2,3,1,7,4,5])
np.sort(arr)
# array([1, 2, 3, 4, 5, 7])
25. abs 取绝对值。
numpy.absolute(x, /, out=None, *,
where=True, casting='same_kind',
order='K', dtype=None,
subok=True[, signature, extobj]) = <ufunc 'absolute'>
A = np.array([[1,-3,4],[-2,-4,3]])np.abs(A)
# array([[1, 3, 4], [2, 4, 3]])
26. round 将浮点值四舍五入到指定数目的小数点。
decimals:要保留的小数点的个数。
numpy.around(a, decimals=0, out=None)
a = np.random.random(size=(3,4))
a
# array([[0.81695699, 0.42564822, 0.65951417, 0.2731807 ],
# [0.7017702 , 0.12535894, 0.06747666, 0.55733467],
# [0.91464488, 0.26259026, 0.88966237, 0.59253923]])
np.round(a,decimals=0)
# array([[1., 0., 1., 1.],
# [1., 1., 1., 1.],
# [0., 1., 0., 1.]])
np.round(a,decimals=1)
# array([[0.8, 0. , 0.6, 0.6],
# [0.5, 0.7, 0.7, 0.8],
# [0.3, 0.9, 0.5, 0.7]])
27. clip 它可以将数组的裁剪值保持在一个范围内。
a_min：小于a_min的变成a_min
a_max:：大于a_max的变成a_max
numpy.clip(a, a_min, a_max, out=None, **kwargs)
arr = np.array([0,1,-3,-4,5,6,7,2,3])
arr.clip(0,5)
# array([0, 1, 0, 0, 5, 5, 5, 2, 3])
arr.clip(0,3)
# array([0, 1, 0, 0, 3, 3, 3, 2, 3])
arr.clip(3,5)
# array([3, 3, 3, 3, 5, 5, 5, 3, 3])
三、替换数组中的值 28-30
28. where 返回满足条件的数组元素。
condition:匹配的条件。如果true则返回x，否则y。
numpy.where(condition, [x, y, ])
a = np.arange(12).reshape(4,3)
a
# array([[ 0, 1, 2],
# [ 3, 4, 5],
# [ 6, 7, 8],
# [ 9, 10, 11]])
np.where(a>5) ## Get The Index
# (array([2, 2, 2, 3, 3, 3], dtype=int64),
# array([0, 1, 2, 0, 1, 2], dtype=int64))
a[np.where(a>5)] ## Get Values
# array([ 6, 7, 8, 9, 10, 11])
# 替换 df 中的值
# np.where(data[feature].isnull(), 1, 0)
29. put 用给定的值替换数组中指定位置的元素。
a:数组
Ind:需要替换的索引
V:替换值
numpy.put(a, ind, v)
arr = np.array([1,2,3,4,5,6])
arr
# array([1, 2, 3, 4, 5, 6])
np.put(arr,[1,2],[6,7])
# array([1, 6, 7, 4, 5, 6])
30. copyto 将一个数组的内容复制到另一个数组中。
dst：目标
src：来源
numpy.copyto(dst, src, casting='same_kind', where=True)
arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
np.copyto(arr1,arr2)
print("After arr1",arr1)
print("After arr2",arr2)
# After arr1 [4 5 6]
# After arr2 [4 5 6]
四、集合操作 31-4
31. intersect1d 查找公共元素，以排序的方式返回同时存在于两个数组的元素
Assume_unique:如果为真值，则假设输入数组都是唯一的。
Return_indices:如果为真，则返回公共元素的索引。
numpy.intersect1d(ar1, ar2, assume_unique=False, return_indices=False)
ar1 = np.array([1,2,3,4,5,6])
ar2 = np.array([3,4,5,8,9,1])
np.intersect1d(ar1,ar2)
# array([1, 3, 4, 5])
np.intersect1d(ar1,ar2,return_indices=True)
# (array([1, 3, 4, 5]), ## Common Elements
# array([0, 2, 3, 4], dtype=int64),
# array([5, 0, 1, 2], dtype=int64))
32. setdiff1d 查找不同元素，函数返回arr1中在arr2中不存在的所有唯一元素。（以arr1为主）
numpy.setdiff1d(ar1, ar2, assume_unique=False)
a = np.array([1, 7, 3, 2, 4, 1])
b = np.array([9, 2, 5, 6, 7, 8])
np.setdiff1d(a, b)
# array([1, 3, 4])
33. setxor1d 从两个数组中提取唯一元素，按顺序返回不同时存在于两个数组的元素。
numpy.setxor1d(ar1, ar2, assume_unique=False)
a = np.array([1, 2, 3, 4, 6])
b = np.array([1, 4, 9, 4, 36])
np.setxor1d(a,b)
# array([ 2, 3, 6, 9, 36])
34. union1d 合并，将两个数组合并为一个。（去重）
numpy.union1d(ar1, ar2)
a = np.array([1, 2, 3, 4, 5])
b = np.array([1, 3, 5, 4, 36])
np.union1d(a,b)
# array([ 1, 2, 3, 4, 5, 36])
四、数组分割、叠加、重复 35-42
35. hsplit 水平分割，Hsplit函数将数据水平分割为n个相等的部分。
numpy.hsplit(ary, indices_or_sections)
A = np.array([[3,4,5,2],[6,7,2,6]])
np.hsplit(A,2) ## splits the data into two equal parts
# [ array([[3, 4],[6, 7]]), array([[5, 2],[2, 6]]) ]
np.hsplit(A,4) ## splits the data into four equal parts
# [ array([[3],[6]]), array([[4],[7]]),
# array([[5],[2]]), array([[2],[6]]) ]
36. vsplit 垂直分割，Vsplit将数据垂直分割为n个相等的部分。
numpy.vsplit(ary, indices_or_sections)
A = np.array([[3,4,5,2],[6,7,2,6]])
np.vsplit(A,2)
# [ array([[3, 4, 5, 2]]), array([[6, 7, 2, 6]]) ]
37. hstack 水平叠加，hstack 将在另一个数组的末尾追加一个数组。
numpy.hstack(tup)
a = np.array([1,2,3,4,5])
b = np.array([1,4,9,16,25])
np.hstack((a,b))
# array([ 1, 2, 3, 4, 5, 1, 4, 9, 16, 25])
38. vstack 垂直叠加，vstack将一个数组堆叠在另一个数组上。
numpy.hstack(tup)
a = np.array([1,2,3,4,5])
b = np.array([1,4,9,16,25])
np.vstack((a,b))
# array([[ 1, 2, 3, 4, 5],
# [ 1, 4, 9, 16, 25]])
39. allclose 如果两个数组的形状相同，则Allclose函数根据公差值查找两个数组是否相等或近似相等。(有误差的相等)
numpy.allclose(a, b, rtol=1e-05, atol=1e-08, equal_nan=False)
a = np.array([0.25,0.4,0.6,0.32])
b = np.array([0.26,0.3,0.7,0.32])
tolerance = 0.1 ## Total Difference
np.allclose(a,b,tolerance)
# False
tolerance = 0.5
np.allclose(a,b,tolerance)
# True
40. equal 它比较两个数组的每个元素，如果元素匹配就返回True。
numpy.equal(x1, x2, /, out=None, *,
where=True, casting='same_kind',
order='K', dtype=None, subok=True[, signature, extobj]
) = <ufunc 'equal'>
arr1 = np.array([1,2,3])
arr2 = np.array([4,2,6])
np.equal(arr1,arr2)
# array([False, True, False])
41. repeat 它用于重复数组中的元素n次。
A:重复的元素
Repeats:重复的次数。
numpy.repeat(a, repeats, axis=None)
np.repeat('2017',3)
# array(['2017', '2017', '2017'], dtype='<U4')
42. tile通过重复A，rep次来构造一个数组。
numpy.title(A, reps)
np.tile("Ram",5)
# array(['Ram', 'Ram', 'Ram', 'Ram', 'Ram'], dtype='<U3')
np.tile(3,(2,3))
# array([[3, 3, 3],
# [3, 3, 3]])
五、爱因斯坦求和、统计分析、数组打印设置、文档加载保存等
42. einsum 爱因斯坦求和约定，用于计算数组上的多维和线性代数运算。
umpy.einsum(subscripts, *operands, out=None,
dtype=None, order='K',
casting='safe', optimize=False)
a = np.arange(1,10).reshape(3,3)
b = np.arange(21,30).reshape(3,3)
# 取对角线上的元素
np.einsum('ii->i',a)
# array([1, 5, 9])
# 转置
np.einsum('ji',a)
# array([[1, 4, 7],
# [2, 5, 8],
# [3, 6, 9]])
# 多矩阵相乘
np.einsum('ij,jk',a,b)
# array([[150, 156, 162],
# [366, 381, 396],
# [582, 606, 630]])
# 求矩阵的迹，对角线求和
p.einsum('ii',a)
# 15
44. histogram 直方图，可计算一组数据的直方图值。
numpy.histogram(a, bins=10, range=None, normed=None, weights=None, density=None)
A = np.array([[3, 4, 5, 2], [6, 7, 2, 6]])
# np.histogram(A)
# (array([2, 0, 1, 0, 1, 0, 1, 0, 2, 1], dtype=int64),
# array([2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7. ]))
45. percentile 百分位数，沿指定轴计算数据的Q-T-T百分位数。
a:输入。
q:要计算的百分位。
overwrite_input:如果为true，则允许输入数组修改中间计算以节省内存。
numpy.percentile(a, q, axis=None, out=None,
overwrite_input=False, method='linear',
keepdims=False, *,
interpolation=None)[source]
a = np.array([[2, 4, 6], [4, 8, 12]])
np.percentile(a, 50)
# 5.0
np.percentile(a, 10)
# 3.0
arr = np.array([2,3,4,1,6,7])
np.percentile(a,5)
# 2.5
46. std 标准偏差，用于计算沿轴的标准偏差。
a:输入。
q:要计算的百分位。
overwrite_input:如果为true，则允许输入数组修改中间计算以节省内存。
numpy.std(a, axis=None, dtype=None, out=None,
ddof=0, keepdims=<no value>, *,
where=<no value>)
a = np.array([[2, 4, 6], [4, 8, 12]])
np.std(a,axis=1)
# array([1.63299316, 3.26598632])
np.std(a,axis=0) ## Column Wise
# array([1., 2., 3.])
47. var 方差，用于计算沿轴的方差。
numpy.var(a, axis=None, dtype=None, out=None,
ddof=0, keepdims=<no value>, *,
where=<no value>)
a = np.array([[2, 4, 6], [4, 8, 12]])
np.var(a,axis=1)
# array([ 2.66666667, 10.66666667])
np.var(a,axis=0)
# array([1., 4., 9.])
48. set_printoptions 显示带有两个十进制值的浮点数
numpy.set_printoptions(precision=None, threshold=None, edgeitems=None,
linewidth=None, suppress=None, nanstr=None, infstr=None,
formatter=None, sign=None, floatmode=None, *,
legacy=None)
np.set_printoptions(precision=2)
# 设置打印数组最大值
np.set_printoptions(threshold=np.inf)
# 增加一行中元素的数量
np.set_printoptions(linewidth=100) ## 默认是 75
a = np.array([12.23456, 32.34535])
print(a)
# array([12.23,32.34])
49. savetxt 保存， 用于在文本文件中保存数组的内容。
numpy.savetxt(fname, X, fmt='%.18e', delimiter=' ',
newline='\n', header='', footer='',
comments='# ', encoding=None)
arr = np.linspace(10,100,500).reshape(25,20)
np.savetxt('array.txt',arr)
50. savetxt 加载， 用于从文本文件加载数组，它以文件名作为参数。
numpy.loadtxt(fname, dtype=<class 'float'>, comments='#', delimiter=None,
converters=None, skiprows=0, usecols=None, unpack=False,
ndmin=0, encoding='bytes', max_rows=None, *,
quotechar=None, like=None)
np.loadtxt('array.txt')