Python中numpy的布尔判断、合并、切片、通用函数

各位朋友，我已开通微信公共号：小程在线

我会把文章及时的更新到公共号上，欢迎大家的关注。

#####数据的布尔值判断
import numpy as np
x=np.array([1,2,3,4,5])
x
Out[1]: array([1, 2, 3, 4, 5])

#判断X是否小于2
x<2
Out[2]: array([ True, False, False, False, False])

#判断X小于2或者大于4
(x<2) | (x>4)
Out[4]: array([ True, False, False, False,  True])

mask=x<3
mask
Out[5]: array([ True,  True, False, False, False])

x[mask]
Out[6]: array([1, 2])

np.sum(x<3)
Out[7]: 2

y=np.array([[1,2,3,4,5],[6,7,8,9,10]])
y
Out[8]: 
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

x == y[0,]
Out[9]: array([ True,  True,  True,  True,  True])

#两个数组比较
a1 = np.arange(9).reshape(3, 3)
a2 = np.arange(9, 0 , -1).reshape(3, 3)
a1 < a2
Out[10]: 
array([[ True,  True,  True],
       [ True,  True, False],
       [False, False, False]])

#####数据的切片选择（开始位，结束位，步长）
#位置值从0开始的
x=np.arange(0,10)
x[4:6]
Out[11]: array([4, 5])

#从0开始，步长为2的数据
x[::2]
Out[12]: array([0, 2, 4, 6, 8])

#倒序
x[::-1]
Out[13]: array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

#取前6个数据
x[:6]
Out[14]: array([0, 1, 2, 3, 4, 5])

#从第2的位置开始选
x[2:]
Out[15]: array([2, 3, 4, 5, 6, 7, 8, 9])

#二维数据的切片处理
y=np.arange(0,16).reshape(4,4)
y
Out[16]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

y[:,1:3]
Out[17]: 
array([[ 1,  2],
       [ 5,  6],
       [ 9, 10],
       [13, 14]])

y[1:3,2:4]
Out[18]: 
array([[ 6,  7],
       [10, 11]])

y[[1,3],:]
Out[19]: 
array([[ 4,  5,  6,  7],
       [12, 13, 14, 15]])

#######数据的维度变化########
x=np.arange(0,9)
y=x.reshape(3,3)
y
Out[20]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

x=np.arange(0,9)
y=x.reshape(3,3)
y
Out[21]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

#返回一个新的数组，不是修改原来的数组
y.reshape(9)
Out[22]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])

y
Out[23]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

reshaped = y.reshape(np.size(y))
raveled = y.ravel() #将数据展开成一维的

reshaped[2] = 1000
raveled[5] = 2000
y
Out[24]: 
array([[   0,    1, 1000],
       [   3,    4, 2000],
       [   6,    7,    8]])

y = np.arange(0, 9).reshape(3,3)
flattened = y.flatten() #将数据展开成一维的

flattened[0] = 1000
flattened
Out[25]: array([1000,    1,    2,    3,    4,    5,    6,    7,    8])

flattened.shape = (3, 3)
flattened
Out[26]: 
array([[1000,    1,    2],
       [   3,    4,    5],
       [   6,    7,    8]])

#数据的转置
flattened.T
Out[27]: 
array([[1000,    3,    6],
       [   1,    4,    7],
       [   2,    5,    8]])

####数据的合并处理
a = np.arange(9).reshape(3, 3)
b = (a + 1) * 10
a
Out[28]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

b
Out[29]: 
array([[10, 20, 30],
       [40, 50, 60],
       [70, 80, 90]])

#水平方向
np.hstack((a, b))
Out[30]: 
array([[ 0,  1,  2, 10, 20, 30],
       [ 3,  4,  5, 40, 50, 60],
       [ 6,  7,  8, 70, 80, 90]])

#垂直方向
np.vstack((a, b))
Out[31]: 
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [10, 20, 30],
       [40, 50, 60],
       [70, 80, 90]])

#axis = 1横轴方向，axis = 0 竖轴方向
np.concatenate((a, b), axis = 1)
Out[32]: 
array([[ 0,  1,  2, 10, 20, 30],
       [ 3,  4,  5, 40, 50, 60],
       [ 6,  7,  8, 70, 80, 90]])

#每列相互拼接
np.dstack((a, b))
Out[33]: 
array([[[ 0, 10],
        [ 1, 20],
        [ 2, 30]],

       [[ 3, 40],
        [ 4, 50],
        [ 5, 60]],

       [[ 6, 70],
        [ 7, 80],
        [ 8, 90]]])
#两列拼接
one_d_a = np.arange(5)
one_d_b = (one_d_a + 1) * 10
np.column_stack((one_d_a, one_d_b))
Out[36]: 
array([[ 0, 10],
       [ 1, 20],
       [ 2, 30],
       [ 3, 40],
       [ 4, 50]])

##行叠加
np.row_stack((one_d_a, one_d_b))
Out[37]: 
array([[ 0,  1,  2,  3,  4],
       [10, 20, 30, 40, 50]])

####通用函数
m = np.arange(10, 19).reshape(3, 3)
print (m)
print ("{0} min of the entire matrix".format(m.min()))
print ("{0} max of entire matrix".format(m.max()))
##最小值、最大值的位置
print ("{0} position of the min value".format(m.argmin()))
print ("{0} position of the max value".format(m.argmax()))
#每列、每行的最小值
print ("{0} mins down each column".format(m.min(axis = 0)))
print ("{0} mins across each row".format(m.min(axis = 1)))
#每列、每行的最大值
print ("{0} maxs down each column".format(m.max(axis = 0)))
print ("{0} maxs across each row".format(m.max(axis = 1)))
[[10 11 12]
 [13 14 15]
 [16 17 18]]
10 min of the entire matrix
18 max of entire matrix
0 position of the min value
8 position of the max value
[10 11 12] mins down each column
[10 13 16] mins across each row
[16 17 18] maxs down each column
[12 15 18] maxs across each row

#平均值，标准差，方差
a
Out[41]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

a = np.arange(1,10)
a.mean(), a.std(), a.var()
Out[39]: (5.0, 2.581988897471611, 6.666666666666667)

#求和，乘积
a.sum(), a.prod()
Out[40]: (45, 362880)

#累加和，累加乘
a.cumsum(), a.cumprod()
Out[42]: 
(array([ 1,  3,  6, 10, 15, 21, 28, 36, 45], dtype=int32),
 array([     1,      2,      6,     24,    120,    720,   5040,  40320,
        362880], dtype=int32))