２０１８ ８ １６
python Numpy 函数整理（一）
python Numpy 函数整理（一）
译自 Numpy functions by category
一、数组创建（0/1矩阵）
1、numpy.empty(shape, dtype=float, order=’C’)
参数：
shape：int或int类型元组，表示矩阵形状
dtype：输出的数据类型
order：‘C’ 或者 ‘F’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主
返回值：
生成随机矩阵
例子：
np.empty([2, 2])
array([[ -9.74499359e+001, 6.69583040e-309],
[ 2.13182611e-314, 3.06959433e-309]]) #random
np.empty([2, 2], dtype=int)
array([[-1073741821, -1067949133],
[ 496041986, 19249760]]) #random
1
2
3
4
5
6
2、numpy.empty_like(a, dtype=None, order=’K’, subok=True)
参数：
a：返回值仿照的矩阵
dtype：输出的数据类型
order：‘C’ 、 ‘F’、 ‘A’、 ‘K’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主，‘A’表示以列为主存储，如果a是列相邻的，‘K’表示尽可能与a的存储方式相同
subok：bool类型，True：使用a的内部数据类型，False：使用a数组的数据类型
返回值：
生成与a相似（形态和数据类型）的随机矩阵
例子：
a = ([1,2,3], [4,5,6]) # a is array-like
np.empty_like(a)
array([[-1073741821, -1073741821, 3], #random
[ 0, 0, -1073741821]])
a = np.array([[1., 2., 3.],[4.,5.,6.]])
np.empty_like(a)
array([[ -2.00000715e+000, 1.48219694e-323, -2.00000572e+000],
[ 4.38791518e-305, -2.00000715e+000, 4.17269252e-309]]) #random
1
2
3
4
5
6
7
8
3、numpy.eye(N, M=None, k=0, dtype=float)
参数：
N：行数
M：列数
k：对角线偏移
dtype：输出的数据类型
返回值：
对角矩阵（主对角线上元素都为1，其他元素都为0）——对角线向右上方偏移k（k>0向右上方偏移，k<0向左下方偏移）
例子：
np.eye(2, dtype=int)
array([[1, 0],
[0, 1]])
np.eye(3, k=1)
array([[ 0., 1., 0.],
[ 0., 0., 1.],
[ 0., 0., 0.]])
1
2
3
4
5
6
7
4、numpy.identity(n, dtype=None)
参数：
n：行数（也是列数）
dtype：输出的数据类型
返回值：
n*n对角矩阵（主对角线上元素都为1，其他元素都为0）
例子：
np.identity(3)
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
1
2
3
4
5、numpy.ones(shape, dtype=None, order=’C’)
参数：
shape：int或int类型序列，表示矩阵形状
dtype：输出的数据类型
order：‘C’ 或者 ‘F’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主
返回值：
给定要求下的单位矩阵
例子：
np.ones(5)
array([ 1., 1., 1., 1., 1.])
np.ones((5,), dtype=np.int)
array([1, 1, 1, 1, 1])
np.ones((2, 1))
array([[ 1.],
[ 1.]])
s = (2,2)
np.ones(s)
array([[ 1., 1.],
[ 1., 1.]])
1
2
3
4
5
6
7
8
9
10
11
6、numpy.ones_like(a, dtype=None, order=’K’, subok=True)
参数：
a：返回值仿照的矩阵
dtype：输出的数据类型
order：‘C’ 、 ‘F’、 ‘A’、 ‘K’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主，‘A’表示以列为主存储，如果a是列相邻的，‘K’表示尽可能与a的存储方式相同
subok：bool类型，True：使用a的内部数据类型，False：使用a数组的数据类型
返回值：
生成与a相似（形状、数据类型）的单位矩阵
例子：
x = np.arange(6)
x = x.reshape((2, 3))
x
array([[0, 1, 2],
[3, 4, 5]])
np.ones_like(x)
array([[1, 1, 1],
[1, 1, 1]])
y = np.arange(3, dtype=np.float)
y
array([ 0., 1., 2.])
np.ones_like(y)
array([ 1., 1., 1.])
1
2
3
4
5
6
7
8
9
10
11
12
13
7、numpy.zeros(shape, dtype=float, order=’C’)
参数：
shape：int或int类型序列，表示矩阵形状
dtype：输出的数据类型
order：‘C’ 或者 ‘F’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主
返回值：
给定要求下的0矩阵
例子：
np.zeros(5)
array([ 0., 0., 0., 0., 0.])
np.zeros((5,), dtype=np.int)
array([0, 0, 0, 0, 0])
np.zeros((2, 1))
array([[ 0.],
[ 0.]])
s = (2,2)
np.zeros(s)
array([[ 0., 0.],
[ 0., 0.]])
1
2
3
4
5
6
7
8
9
10
11
8、numpy.zeros_like(a, dtype=None, order=’K’, subok=True)
参数：
a：返回值仿照的矩阵
dtype：输出的数据类型
order：‘C’ 、 ‘F’、 ‘A’、 ‘K’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主，‘A’表示以列为主存储，如果a是列相邻的，‘K’表示尽可能与a的存储方式相同
subok：bool类型，True：使用a的内部数据类型，False：使用a数组的数据类型
返回值：
生成与a相似（形状、数据类型）的零矩阵
例子：
x = np.arange(6)
x = x.reshape((2, 3))
x
array([[0, 1, 2],
[3, 4, 5]])
np.zeros_like(x)
array([[0, 0, 0],
[0, 0, 0]])
y = np.arange(3, dtype=np.float)
y
array([ 0., 1., 2.])
np.zeros_like(y)
array([ 0., 0., 0.])
1
2
3
4
5
6
7
8
9
10
11
12
13
9、numpy.full(shape, fill_value, dtype=None, order=’C’)
参数：
shape：int或int类型序列，表示矩阵形状
fill_value：填充值
dtype：输出的数据类型
order：‘C’ 或者 ‘F’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主
返回值：
给定要求（形状、数据类型）填充的矩阵
例子：
np.full((2, 2), np.inf)
array([[ inf, inf],
[ inf, inf]])
np.full((2, 2), 10)
array([[10, 10],
[10, 10]])
1
2
3
4
5
6
10、numpy.full_like(a, fill_value, dtype=None, order=’K’, subok=True)
参数：
a：返回值仿照的矩阵
fill_value：填充值
dtype：输出的数据类型
order：‘C’ 、 ‘F’、 ‘A’、 ‘K’，表示数组在内存的存放次序是以行(C)为主还是以列(F)为主，‘A’表示以列为主存储，如果a是列相邻的，‘K’表示尽可能与a的存储方式相同
subok：bool类型，True：使用a的内部数据类型，False：使用a数组的数据类型
返回值：
生成与a相似（形状、数据类型）的fill_value填充的矩阵
例子：
x = np.arange(6, dtype=np.int)
np.full_like(x, 1)
array([1, 1, 1, 1, 1, 1])
np.full_like(x, 0.1)
array([0, 0, 0, 0, 0, 0])
np.full_like(x, 0.1, dtype=np.double)
array([ 0.1, 0.1, 0.1, 0.1, 0.1, 0.1])
np.full_like(x, np.nan, dtype=np.double)
array([ nan, nan, nan, nan, nan, nan])
y = np.arange(6, dtype=np.double)
np.full_like(y, 0.1)
array([ 0.1, 0.1, 0.1, 0.1, 0.1, 0.1])