Python之Numpy库（3）

1、numpy中变换元素的类型

numbers = numpy.array(['1', '2', '3'])
print(numbers.dtype)
print(numbers)
numbers = numbers.astype(float)
print(numbers.dtype)
print(numbers)

#运行结果：
<U1
['1' '2' '3']
float64
[1. 2. 3.]

OK，通过dtype方法我们可以看到，最初的时候，我们传入的数组中，元素类型为str，通过astype()属性，我们可以将元素的类型进行转换。

2、取数组中的极值操作

vector = numpy.array([5, 10, 15, 20])
print(vector.min())
print(vector.max())

#运行结果：
5
20

通过min()和max()方法来求数组中的最大值和最小值。

3、按行求和或按列求和

matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
print(matrix.sum(axis=1))

#运行结果：
[ 30  75 120]

我们可以看出来5+10+15=30,  20+25+30=75，35+40+45=120。好像是对每一行进行了相加。我们再看下面的代码：

matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
print(matrix.sum(axis=0))

#运行结果：
[60 75 90]

我们可以看下，5+20+35=60，  10+25+40=75，  15+30+45=90。嗯，刚好等于每一列的和。

上述代码中，axis代表了一个维度，axis=1代表行，axis=0代表列

4、对numpy中的矩阵进行变换

import numpy as np
print(np.arange(15))
a = np.arange(15).reshape(3, 5)
print(a)
print(a.shape)

#运行结果：
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
（3,5）

采用np.arange()方法，则生成一个0-14的数组。使用reshape()方法将数组变为矩阵，reshape(3,5)代表变为3行5列。

我们可以通过shape方法可以看出，该矩阵为3行5列。

5、ndim & dtype.name & size属性

a = np.arange(15).reshape(3, 5)
print(a.ndim)

#运行结果：
2

通过a.ndim查取数组的维度。

a = np.arange(15).reshape(3, 5)
print(a.dtype.name)

#运行结果：
int32

通过a.dtype.name获得元素的类型。

a = np.arange(15).reshape(3, 5)
print(a.size)

#运行结果：
15

通过a.size获得元素的个数。

6、获得元素为0或者1的矩阵

a = np.zeros((3, 4))
print(a)

#运行结果：
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

通过np.zeros((3,4))获得一个3行4列的矩阵，矩阵中每个元素都为0。特别要注意的是，传入np.zeros()中的是(3,4)的元组，不能直接将3,4传进去，不然会报错。

a = np.ones((2, 3, 4))
print(a)

#运行结果
[[[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]]

同理，我们用np.ones()可以构造一个值全部是1的矩阵。(2,3,4)说明这个矩阵是三维的。

但是我们发现，为什么1后面有个小数点呢？其实，我们还可以将np.ones()再优化一下，确认元素的类型，比如：

a = np.ones((2, 3, 4), dtype=int)
print(a)

#运行结果：
[[[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]

 [[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]]

果然，运行结果就没有小数点了。