Numpy对数组的操作：创建、计算、合并等

　　1. 简介

　　NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。最主要的数据结构是ndarray数组。

　　NumPy 通常与 SciPy(Scientific Python)和 Matplotlib(绘图库)一起使用， 这种组合广泛用于替代 MatLab。

　　SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。

　　Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。

　　2. 创建

　　创建一维数组

　　(1)直接创建：np.array([1, 2, 3, 4, 5, 6])

　　(2)从python的list中建立：np.array(list([1, 2, 3, 4, 5, 6]))

　　创建常量值的一维数据

　　(1)创建以0为常量值：np.zeros(n,dytpe=float/int)

　　(2)创建以1为常量值：np.ones(n)

　　(3)创建一个空数组：np.empty(4)

　　创建一个元素递增的数组

　　(1)从0开始增长的递增数组：np.arange(8)

　　(2)给定区间，自定义步长：np.arange(0,1,0.2)

　　(3)给定区间，自定义个数：np.linspace(-1,1,50)

　　创建多维数组：创建单维数组，再添加进多维数组

　　# 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据

　　# 二维数组相当于存放的是“两层”数组而已

　　arr1=np.array(list([1, 2, 3, 4, 5]))

　　arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组

　　arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组

　　arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错

　　arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错

　　创建常量值的(n*m)维数据

　　(1)创建以0为常量值：np.zeros((n*m),dytpe=float/int)

　　(2)创建以1为常量值：np.ones((n*m))

　　(3)创建一个空数组：np.empty((n*m))

　　创建随机数字的数组

　　生成随机数种子：

　　(1)np.random.seed()

　　(2)np.random.RandomState()

　　生成随机数：

　　函数　　取值　　说明

　　1　　np.random.rand(d0,d1,…,dn)　　[0,1)　　根据给定维度生成数组，服从均匀分布

　　2　　np.random.randint(low, high=None, size=None, dtype=’l’)　　[0,low)或者[low,high)　　根据size生成离散均匀分布的整数值

　　3　　np.random.randn(d0,d1,…,dn)　　　　根据给定维度生成数组，服从标准正态分布

　　4　　np.random.random_sample(size=None)　　[0,1)　　根据给定维度生成随机浮点数

　　5　　np.random.random(size=None)　　[0,1)　　根据给定维度生成随机浮点数

　　6　　np.random.ranf(size=None)　　[0,1)　　根据给定维度生成随机浮点数

　　7　　np.random.sample(size=None)　　[0,1)　　根据给定维度生成随机浮点数

　　生成有分布规律的随机数组

　　(1)二项分布：np.random.binomial(n, p, size)

　　(2)正态分布：np.random.normal(loc, scale, size)

　　将csv文件转化成数组或阵列

　　使用 np.genfromtxt( ‘csv文件名’，delimiter = ‘文件中的分割符’ )函数将文件转化成数组

　　csv_array = np.genfromtxt('sample.csv', delimiter=',')

　　print(csv_array)

　　3. 数组的变形

　　生成数组/矩阵转置的函数，即行列数字交换，使用.T

　　a = np.array([[32, 15, 6, 9, 14],

　　[12, 10, 5, 23, 1],

　　[2, 16, 13, 40, 37]])

　　print(a.T)

　　-------------------

　　# 结果如下

　　[[32 12 2]

　　[15 10 16]

　　[ 6 5 13]

　　[ 9 23 40]

　　[14 1 37]]

　　改变数组的形状：

　　(1)arr.resize(n,m) ：arr.resize(n,m)函数是原地修改数组，要求：元素的个数必须一致

　　a=np.arange(8)

　　a.resize(2,4)

　　print(a)

　　---------------------------

　　[[0 1 2 3]

　　[4 5 6 7]]

　　(2)arr.reshape(n,m)：如果某一个维度的参数为-1，则表示元素总个数会迁就另一个维度来计算

　　a=np.arange(8).reshape(-1,1)

　　print(a)

　　-----------------

　　[[0]

　　[1]

　　[2]

　　[3]

　　[4]

　　[5]

　　[6]

　　[7]]

　　将一维升至二维：np.newaxis

　　np.newaxis实际上是直接增加维度的意思，我们一般不会给数组增加太多维度，这里以一维增加到二维为例：

　　(1)增加行维度：arr[np.newaxis, :]

　　(2)增加列维度：arr[: , np.newaxis]

　　a=np.arange(8)

　　a # array([0, 1, 2, 3, 4, 5, 6, 7])

　　a.shape # (8,)

　　a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]])

　　a.shape # (8,)

　　a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]])

　　a.shape # (8,)

　　降维：arr.ravel()

　　arr.ravel()函数在降维时：默认是行序优先生成新数组(就是一行行读);如果传入参数“F”则是列序降维生成新数组

　　a=np.array([[1,2],[3,4]])

　　a.ravel()

　　a.ravel('F')

　　----------------------------

　　# 结果 array([1, 2, 3, 4])

　　# 结果 array([1, 3, 2, 4])

　　4. 计算

　　对数组进行计算操作

　　(1)对元素进行加减计算

　　a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

　　b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])

　　a+b

　　a-b

　　----------------------------

　　# a+b和a-b结果分别是：

　　array([[ 1, 3, 7, 6],

　　[ 8, 6, 6, 13]])

　　array([[-1, -1, -3, 0],

　　[ 0, 4, 6, 1]])

　　(2)乘法：平方/矩阵中元素相乘

　　a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

　　b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])

　　a**2

　　a*b

　　-----------------------

　　# a矩阵平方/a*b矩阵中元素相乘结果分别：

　　array([[ 0, 1, 4, 9],

　　[16, 25, 36, 49]])

　　array([[ 0, 2, 10, 9],

　　[16, 5, 0, 42]])

　　(3)矩阵*矩阵：

　　# 要求a矩阵的行要等于b矩阵的列数;且a矩阵的列等于b矩阵的行数

　　a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

　　b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]])

　　c1 = np.dot(a,b)

　　c2 = a.dot(b)

　　----------------------

　　# ab矩阵相乘的结果：c1=c2

　　array([[ 31, 36],

　　[ 99, 100]])

　　(4)逻辑计算

　　【注】列表是无法作为一个整体对其中的各个元素进行逻辑判断的!

　　# 结果返回：一个数组，其中每个元素根据逻辑判断的布尔类型的结果

　　a > 3

　　-----------------------------

　　# 结果如下：

　　array([[False, False, False, False],

　　[ True, True, True, True]])

　　5. 取值

　　获取一维数组中的某个元素：操作和list列表的index一样

　　a = np.array([5, 2, 7, 0, 11])

　　a[0] # 结果为 5

　　a[:4] # 结果为 从头开始到索引为4结束

　　a[2:] # 结果为 从索引为2的开始到结尾

　　a[::2] # 结果为 从头开始到结尾，每2个取一个值

　　获取多维数组的某个元素，某行或列值

　　a = np.array([[32, 15, 6, 9, 14],

　　[12, 10, 5, 23, 1],

　　[2, 16, 13, 40, 37]])

　　a[2,1] # 结果是一个元素 16

　　a[2][1] # 结果是一个元素 16

　　a[1] # 第2行 array([12, 10, 5, 23, 1])

　　a[：，2] # 取出全部行，第2列 [15,10,16]

　　a[1:3, :] # 取出[1，3)行，全部列

　　a[1,1:] # array([10, 5, 23, 1])

　　获取满足逻辑运算的

　　# 需要注意的是，我们数据进行逻辑计算操作得到的仍然是一个数组

　　# 如果我们想要的是一个过滤后的数组，就需要将"逻辑判断"传入数组中

　　a = np.array([[32, 15, 6, 9, 14],

　　[12, 10, 5, 23, 1],

　　[2, 16, 13, 40, 37]])

　　a[a > 3]

　　a[(a > 3) | (a < 2)]

　　------------------------------

　　# 结果分别是：

　　array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37])

　　array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])

　　遍历：结果是按行输出

　　a = np.array([[32, 15, 6, 9, 14],

　　[12, 10, 5, 23, 1],

　　[2, 16, 13, 40, 37]])

　　for x in a:

　　print(x)

　　--------------------

　　[32 15 6 9 14]

　　[12 10 5 23 1]

　　[ 2 16 13 40 37]

　　6. 复制/分割/合并

　　复制：arr.cope()

　　分割：无锡看妇科的医院 http://www.ytsgfk120.com/

　　(1)等分：np.split(arr, n, axis=0/1)(即行数或列数可以整除n时才可以)

　　(2)不等分：np.array_split(arr, n) 默认按行分n份

　　a = np.array([[32, 15, 6, 9, 14, 21],

　　[12, 10, 5, 23, 1, 10],

　　[2, 16, 13, 40, 37, 8]])

　　# 可以看到a矩阵是(3*6)，所以使用np.split()只能尝试行分成3份;或者列分成2/3/6份

　　np.split(a,3,axis=0)

　　np.split(a,3,axis=1)

　　np.array_split(a,2)

　　np.array_split(a,4,axis=1)

　　-------------------------------------------

　　[array([[32, 15, 6, 9, 14, 21]]),

　　array([[12, 10, 5, 23, 1, 10]]),

　　array([[ 2, 16, 13, 40, 37, 8]])]

　　[array([[32, 15],

　　[12, 10],

　　[ 2, 16]]), array([[ 6, 9],

　　[ 5, 23],

　　[13, 40]]), array([[14, 21],

　　[ 1, 10],

　　[37, 8]])]

　　[array([[32, 15, 6, 9, 14, 21],

　　[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])]

　　[array([[32, 15],

　　[12, 10],

　　[ 2, 16]]), array([[ 6, 9],

　　[ 5, 23],

　　[13, 40]]), array([[14],

　　[ 1],

　　[37]]), array([[21],

　　[10],

　　[ 8]])]

　　合并：np.concatenate((arr1,arr2,arr3), axis=0/1) 默认接在数据下面

　　a=np.random.rand(2,3)

　　b=np.random.randint(1,size=(2,3))

　　np.concatenate((a,b,a)) # 接在下面

　　np.concatenate((a,b,a),axis=1) # 接在后面

　　------------------------

　　array([[0.95912866, 0.81396527, 0.809493 ],

　　[0.4539276 , 0.24173315, 0.63931439],

　　[0. , 0. , 0. ],

　　[0. , 0. , 0. ],

　　[0.95912866, 0.81396527, 0.809493 ],

　　[0.4539276 , 0.24173315, 0.63931439]])

　　array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. ,

　　0. , 0.95912866, 0.81396527, 0.809493 ],

　　[0.4539276 , 0.24173315, 0.63931439, 0. , 0. ,

　　0. , 0.4539276 , 0.24173315, 0.63931439]])