前言
在沒給大家介紹 numpy 之前先給大家說下 Python 的基本概念。
Python 是一種高級的，動態(tài)的，多泛型的編程語言。Python 代碼很多時候看起來就像是偽代碼一樣，因此你可以使用很少的幾行可讀性很高的代碼來實現(xiàn)一個非常強大的想法。
numpy 很簡單，numpy 是 Python 的一個科學計算的庫，提供了矩陣運算的功能，其一般與 Scipy、matplotlib 一起使用。其實，list 已經提供了類似于矩陣的表示形式，不過 numpy 為我們提供了更多的函數。
小編在這給大家總結了一些 numpy 的常用操作。
首先，要引入 numpy 包：
一、在numpy中N維數組對象叫做ndarrey,關于它的一些操作:
1.ndarry對象的屬性：
| 屬性 |
說明 |
| .ndim |
秩，即軸的數量或維度的數量 |
| .shape |
ndarray對象的尺度，對于矩陣，n行m列 |
| .size |
ndarray對象元素的個數，相當于.shape中n*m的值 |
| .dtype |
ndarray對象的元素類型 |
| .itemsize |
ndarray對象中每個元素的大小，以字節(jié)為單位 |
2.ndarry的元素類型(1)：
| 數據類型 |
說明 |
| bool |
布爾類型，True或False |
| intc |
與C語言中的int類型一致，一般是int32或int64 |
| intp |
用于索引的整數，與C語言中ssize_t一致，int32或int64 |
| int8 |
字節(jié)長度的整數，取值：[‐128, 127] |
| int16 |
16位長度的整數，取值：[‐32768, 32767] |
| int32 |
32位長度的整數，取值：[‐231, 231‐1] |
| int64 |
64位長度的整數，取值：[‐263, 263‐1] |
2.ndarry的元素類型(1)：
| 數據類型 |
說明 |
| bool |
布爾類型，True或False |
| intc |
與C語言中的int類型一致，一般是int32或int64 |
| intp |
用于索引的整數，與C語言中ssize_t一致，int32或int64 |
| int8 |
字節(jié)長度的整數，取值：[‐128, 127] |
| int16 |
16位長度的整數，取值：[‐32768, 32767] |
| int32 |
32位長度的整數，取值：[‐231, 231‐1] |
| int64 |
64位長度的整數，取值：[‐263, 263‐1] |
3.ndarry的元素類型(2)：
| 數據類型 |
說明 |
| uint8 |
8位無符號整數，取值：[0, 255] |
| uint16 |
16位無符號整數，取值：[0, 65535] |
| uint32 |
32位無符號整數，取值：[0, 232‐1] |
| uint64 |
32位無符號整數，取值：[0, 264‐1] |
| float16 |
16位半精度浮點數：1位符號位，5位指數，10位尾數 |
| float32 |
32位半精度浮點數：1位符號位，8位指數，23位尾數 |
| float64 |
64位半精度浮點數：1位符號位，11位指數，52位尾數 |
| complex64 |
復數類型，實部和虛部都是32位浮點數 |
| complex128 |
復數類型，實部和虛部都是64位浮點數 |
4.ndarry常用函數總結：
| 函數 |
說明 |
| np.arange(n) |
類似range()函數，返回ndarray類型，元素從0到n‐1 |
| np.ones(shape) |
根據shape生成一個全1數組，shape是元組類型 np.zeros(shape)根據shape生成一個全0數組，shape是元組類型 |
| np.full(shape,val) |
根據shape生成一個數組，每個元素值都是val |
| np.eye(n) |
創(chuàng)建一個正方的n*n單位矩陣，對角線為1，其余為0 |
| np.ones_like(a) |
根據數組a的形狀生成一個全1數組 |
| np.zeros_like(a) |
根據數組a的形狀生成一個全0數組 |
| np.full_like(a,val) |
根據數組a的形狀生成一個數組，每個元素值都是val |
| np.linspace() |
根據起止數據等間距地填充數據，形成數組 |
| np.concatenate() |
將兩個或多個數組合并成一個新的數組 |
| .reshape(shape) |
不改變數組元素，返回一個shape形狀的數組，原數組不變 |
| .resize(shape) |
與.reshape()功能一致，但修改原數組 |
| .swapaxes(ax1,ax2) |
將數組n個維度中兩個維度進行調換 |
| .flatten() |
對數組進行降維，返回折疊后的一維數組，原數組不變 |
| np.abs(x) np.fabs(x) |
計算數組各元素的絕對值 |
| np.sqrt(x) |
計算數組各元素的平方根 |
| np.square(x) |
計算數組各元素的平方 |
| np.log(x) np.log10(x) np.log2(x) |
計算數組各元素的自然對數、10底對數和2底對數 |
| np.ceil(x) np.floor(x) |
計算數組各元素的ceiling值或floor值 |
| np.rint(x) |
計算數組各元素的四舍五入值 |
| np.modf(x) |
將數組各元素的小數和整數部分以兩個獨立數組形式返回 |
| np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) |
計算數組各元素的普通型和雙曲型三角函數 |
| np.exp(x) |
計算數組各元素的指數值 |
| np.sign(x) |
計算數組各元素的符號值，1(+), 0, ‐1(‐) |
| + ‐* / ** |
兩個數組各元素進行對應運算 |
| np.maximum(x,y) np.fmax() np.minimum(x,y)np.fmin() |
元素級的最大值/最小值計算 |
| np.mod(x,y) |
元素級的模運算 |
| np.copysign(x,y) |
將數組y中各元素值的符號賦值給數組x對應元素 |
| > < >= <= == != |
算術比較，產生布爾型數組 |
二、在numpy中隨機函數庫的函數總結:
1.np.random的隨機函數(1):
| 函數 |
說明 |
| rand(d0,d1,..,dn) |
根據d0‐dn創(chuàng)建隨機數數組，浮點數，[0,1)，均勻分布 |
| randn(d0,d1,..,dn) |
根據d0‐dn創(chuàng)建隨機數數組，標準正態(tài)分布 |
| randint(low[,high,shape]) |
根據shape創(chuàng)建隨機整數或整數數組，范圍是[low, high) |
| seed(s) |
隨機數種子，s是給定的種子值 |
2.np.random的隨機函數(2):
| 函數 |
說明 |
| shuffle(a) |
根據數組a的第1軸進行隨排列，改變數組x |
| permutation(a) |
根據數組a的第1軸產生一個新的亂序數組，不改變數組x |
| choice(a[,size,replace,p]) |
從一維數組a中以概率p抽取元素，形成size形狀新數組 replace表示是否可以重用元素，默認為False |
3.np.random的隨機函數(3):
| 函數 |
說明 |
| uniform(low,high,size) |
產生具有均勻分布的數組,low起始值,high結束值,size形狀 |
| normal(loc,scale,size) |
產生具有正態(tài)分布的數組,loc均值,scale標準差,size形狀 |
| poisson(lam,size) |
產生具有泊松分布的數組,lam隨機事件發(fā)生率,size形狀 |
三、在numpy中統(tǒng)計函數總結:
| 函數 | 說明 |
|---|
| sum(a, axis=None) | 根據給定軸axis計算數組a相關元素之和，axis整數或元組 |
| mean(a, axis=None) | 根據給定軸axis計算數組a相關元素的期望，axis整數或元組 |
| average(a,axis=None,weights=None) | 根據給定軸axis計算數組a相關元素的加權平均值 |
| std(a, axis=None) | 根據給定軸axis計算數組a相關元素的標準差 |
| var(a, axis=None) | 根據給定軸axis計算數組a相關元素的方差 |
| min(a) max(a) | 計算數組a中元素的最小值、最大值 |
| argmin(a) argmax(a) | 計算數組a中元素最小值、最大值的降一維后下標 |
| unravel_index(index, shape) | 根據shape將一維下標index轉換成多維下標 |
| ptp(a) | 計算數組a中元素最大值與最小值的差 |
| median(a) | 計算數組a中元素的中位數（中值） |
| np.gradient(f) | 計算數組f中元素的梯度，當f為多維時，返回每個維度梯度 |
