Python基础之数组和向量化计算总结

1、生成ndarray    (array函数) 

.np.array()生成多维数组

例如:import numpy as np
data1=[6,7.5,8,0,1]    #创建简单的列表
print(data1)
arr1=np.array(data1)    #将列表创建数组
print(arr1)

2、ndarry的数据类型

(1)dtype()  #获取数组元素类型(浮点数、复数、整数等)

data=np.random.randn(2,3)  #生成随机数组
print(data)
print(data.shape)    #返回数组的形状
print(data.dtype) 

(2)转化数组的数据类型:astype()  astype生成一个新的数组

import numpy as np

a=np.array([0.11,2.2,3])

print(a)

b=a.astype(np.int)

print(b)          补充:Python中type 获取数据类型

3、numpy数组算术

(1)逐元素操作

arr=np.array([[1.,2.,3.],[4.,5.,6.]])

print(arr)

print(arr*arr)

4、索引与切片

(1)基础索引与切片

arr=np.arange(10)
print(arr)
print(arr[5:8])
arr[5:8]=12
print(arr)

(2)布尔索引

names=np.array(["Bob","Joe","Will","Bob","Will","Joe","Joe",])

print(names=="Bob")  #结果:[ True False False  True False False False]

5、数组转置与换轴

(1)arr.T    #数组转置

补充:简单的一维和二维数组的转置就是线性代数中的行列相互交换。而对于高维数组的转置:

import numpy as np

a = np.arange(12).reshape(2, 2, 3) 

#创建一个三维矩阵,由2个2*3的矩阵块组成

print(a)    #结果为:

[[[ 0  1  2]      #运行结果:其中每个元素都有其唯一的坐标(x,y,z)例如:0的标为(0,0,0),1的坐标为:(0,1,0)........11的坐标为(1,1,2)

[ 3  4  5]]

[[ 6  7  8]

[ 9 10 11]]]

Print(a.T)  #Output为:数组变为了3个2*2的矩阵了。而各元素的坐标变为:0:(0,0,0),1:(1,0,0),........11:(2,1,1)每个元素坐标的,其实该T操作等同于后面两种方法a.transpose(2,1,0)中x轴和z轴的交换以及a.swapaxes(0,2)

[[[ 0  6]

[ 3  9]]

[[ 1  7]

[ 4 10]]

[[ 2  8]

[ 5 11]]]

(2)内积:np.dot()    x.dot()等价于np.dot(x,y)

arr=np.random.randn(6,3)
print(arr)
print(arr.T)
print(np.dot(arr.T,arr))

(3)换轴:transpose()

对于高维数组,transpose()方法的参数需要得到一个由轴编号(轴编号自0开始)序列构成的元组才能对轴进行转置,只需要调换轴对应数字参数的顺序就可以将数组进行轴的变换。

arr=np.arrange(16).reshape((2,2,6))

arr.transpose((1,0,2))          #将第二个轴和第一个轴变换位置

运行结果为:[[[ 0  1  2  3]

[ 8  9 10 11]]

[[ 4  5  6  7]

[12 13 14 15]]]

Swapaxes方法,直接进行轴的交换

二、函数

1、一元通用函数

(1)平方根  sqrt()

arr=np.arange(10)
print(arr)
print(np.sqrt(arr))

(2)自然指数值  exp()

print(np.exp(arr))   

(3)返回数组的小数部分和整数部分  modf()

arr=np.random.randn(7)*5
print(arr)
remainder,whole_part=np.modf(arr)
print(remainder)
print(whole_part)

2、二元通用函数

(1)最大值  maximum()

x=np.random.randn(8)
print(x)
y=np.random.randn(8)
print(y)
print(np.maximum(x,y))

3、矩阵分解的标准函数集                  ???

(1)、numpy.linalg()

(1.1)、方阵的逆矩阵  inv()

(1.2)、QR分解  qr()

from numpy.linalg import inv,qr
x=np.random.randn(5,5)
print(x)
mat=x.T.dot(x) #内积
print(inv(mat))  #求逆
q,r=qr(mat)
print(r)

4、随机数生成器

numpy.random()

注意:产生随机数random.randn()和random.rand(n)的区别random.randn(n)是从标准正态分布中返回一个或者多个样本值,random.rand(n,m)表示由位于(0,1)中的随机数填充的n*m的矩阵。

三、数组编程

1、将条件逻辑作为数组操作  where()

xarr=np.array([1.1,1.2,1.3,1.4,1.5])
yarr=np.array([2.1,2.2,2.3,2.4,2.5])
cond=np.array([True,False,True,True,False])      #是否是x的值
result=np.where(cond,xarr,yarr)
print(result)              #result([1.1,2.2,1.3,1.4,2.5])

2、数学和统计方法  mean()平均值、sum()求和、cumsum()#从0元素来累计和、cumprod()  # 从1元素来累计积        ???

arr=np.random.randn(5,4)
print(arr)
print(arr.mean())      #取总均值
print(np.mean(arr))
print(arr.mean(axis=1))    #按列数取均值
print(arr.mean(1))

3、布尔值数组的方法  any()  all()    ???

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/c95a21a168024c3af4173d098984374e.html