numpy[2]

數組的操作

基本索引array[ ]

一. [一維(由0開始數)][二維(由0開始數)]

二. [負號表示由後往回數第幾個(由1開始數)]

三. 由索引修改數組的值

**四.**返回數組中的非零索引的展開。
numpy.flatnonzero
numpy.nonzero

切片array[::]

• 切片array[::]
  使用切片時並非重新複製資料，而是傳回子陣列的視圖，想重新複製出資料須使用array[::].copy()。
  注意：row、column都以0為起始列。
  注意：[:]以及[::]的不同，[::-1]第3個值-1表示翻轉。
  

• 切片array[[ ]]
  

• mask與條件切片
  條件切片會傳回一個bool數組，也可以搭配numpy.flatnonzero及numpy.where索引指定條件的切片。
  什麼是掩碼數組？
  mask
  在許多情況下，數據集可能不完整或因無效數據的存在而受到污染。例如，傳感器可能無法記錄數據或記錄無效值。該numpy.ma模塊通過引入掩碼數組提供了一種解決此問題的便捷方法。
  

• 查找NAN值
  np.nan需要使用numpy.isnan查詢。
  

重塑

1. np.reshape()
   
2. np.ndarray.flatten(order=‘C’)
   order：‘C’ 按行，‘F’ 按列，‘A’ 原順序展開成一維。
   
3. np.transpose(arr, axes)
   與reshape不同，依照原本維度改變形狀。
   arr：要轉置的數組
   axes：整數的列表，對應維度，默認所有維度都會翻轉。
   
4. numpy.matrix
5. numpy.asarray

轉置(翻轉)

1. np.transpose(arr, axes)
   arr：要轉置的數組
   axes：整數的列表，對應維度，默認所有維度都會翻轉。
   
2. ndarray.T
   

組合與分割

• 串接:多維數組連接的過程中要注意連接軸的大小相同。

1. np.concatenate()

• 一維
  
• 二維
  

2. np.row_stack 與 np.column_stack
   

3. np.hstack 與 np.vstack
   

• 分割

1. numpy.split(ary, indices_or_sections, axis)
   ary：被分割的輸入數組
   indices_or_sections：此參數為整數，表示要分割為幾分等大小數組。此參數為一維數組，則表示要分割的位置。
   axis：默認為 0
   

重複

• 重複
  numpy.tile
  numpy.repeat
  

添加和插入和刪除

• 添加

1. np.append(arr, values, axis)
   添加數組中某個位置或某軸的值
   arr：輸入數組
   values：要添加的值
   axis：沿著它完成操作的軸。如果未提供，則輸入數組會被展開
   

• 插入
  插入數組中某個位置或某軸的值

1. numpy.insert(arr, obj, values, axis)
   arr：輸入數組
   obj：在其之前插入值的索引
   values：要插入的值
   axis：沿著它插入的軸，如果未提供，則輸入數組會被展開
   

• 刪除

1. Numpy.delete(arr, obj, axis)
   刪除數組中某個位置或某軸的值
   arr：輸入數組
   obj：可以使用切片，整數或者整數數組，表示要從輸入數組刪除的子數組
   axis：沿著它刪除給定子數組的軸，如果未提供，則輸入數組會被展開
   

2. numpy.unique(arr, return_index, return_inverse, return_counts)
   結果為刪除**重複(重覆)**數組，並排列。
   arr：輸入數組，如果不是一維數組則會展開
   return_index：如果為true，返回結果(新數組)以及結果對應原數組的原數組索引
   return_inverse：如果為true，返回結果以及結果的新數組對應原數組的新數組索引
   return_counts：如果為true，返回結果以及結果的重複次數
   

網格

1. np.meshgrid()
   通常使用在數據的矢量化上。它適用於生成網格型數據，可以接受兩個一維數組生成兩個二維矩陣，對應兩個數組中所有的(x,y)對。
2. np.mgrid()
   與meshgrid類似，但可以處理多維。

$f(x,y)=3x^2+5y+16,(1≤x≤3),(4≤y≤6)$
$f(a,b)=3a^2+5b+16,(1≤a≤3),(4≤b≤6)$

• meshgrid
  
  

• mgrid
  

排序

NumPy中提供了各種排序相關功能。這些排序函數實現不同的排序算法，每個排序算法的特徵在於執行速度，最壞情況性能，所需的工作空間和算法的穩定性。下表顯示了三種排序算法的比較。

種類	速度	最壞情況	工作空間	穩定性
‘quicksort’（快速排序）	1	O(n^2)	0	否
‘mergesort’（歸併排序(混排)）	2	O(n*log(n))	~n/2	是
‘heapsort’（堆排序）	3	O(n*log(n))	0	否

1. numpy.sort(a, axis, kind, order)
   將數組進行排序，返回排序好的數組
   a:要排序的陣列
   axis:沿著它排序陣列的軸，如果沒有陣列會被展開，沿著最後的軸排序
   kind:默認為’quicksort’（快速排序）
   order:如果陣列dtype包含’names’，則是要排序dtype的’names’
   

2. numpy.argsort(a, axis, kind, order)
   將數組進行排序，返回排序好結果對應原數組的原數組索引
   a:要排序的陣列
   axis:沿著它排序陣列的軸，如果沒有陣列會被展開，沿著最後的軸排序
   kind:默認為’quicksort’（快速排序）
   order:如果陣列dtype包含’names’，則是要排序dtype的’names’
   

3. numpy.partition()
   選定一個pivot只進行一次的快速排序，以pivot進行分區。輸入pivot為排序後的第幾個數，傳回分區好的數組。
   

4. numpy.argpartition()
   選定一個pivot只進行一次的快速排序，以pivot進行分區。輸入pivot為排序後的第幾個數，傳回分區好的結果對應原數組的原數組索引。
   

5. numpy.searchsorted(a, v, side=‘left’, sorter=None)
   a：所需排序的數組
   v：待查詢索引的元素值
   side：查詢索引時的方向，其中：′left′為從左至右；′right′為從右至左
   sorter：一個字符串或列表，可以設置按照某個屬性進行排序
   另類用法:將數值分組
   利用searchsorted特性可以用來分組以及計數
   

計數

• 計數

1. 一般我們常用使用Python內建collections.Counter
   

2. np.count_nonzero
   

3. np.add.at()