002.python科学计算库numpy(下)

秒速五厘米 2021-10-06 15:16 421阅读 0赞

### reshape ###

import numpy as np # arange 在给定的间隔内返回等距值 # reshape 返回一个包含具有新形状的相同数据的数组 a = np.arange(15).reshape(3, 5) print(a)

![pycharm64_2018-09-13_16-36-02.png][]

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

### arange ###

import numpy as np # arange 在给定的间隔内返回等距值 print(np.arange(10, 30, 5))

![pycharm64_2018-09-13_16-51-43.png][]

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

### reshape ###

import numpy as np # reshape 返回一个包含具有新形状的相同数据的数组 a = np.arange(15).reshape(3, 5) print(a)

![pycharm64_2018-09-13_16-53-04.png][]

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

### 数组常用属性 ###

import numpy as np a = np.arange(15).reshape(3, 5) # 数组维数 print(a.ndim) # 数组中元素的类型名称 print(a.dtype.name) # 数组中总的元素数量 print(a.size)

![pycharm64_2018-09-13_16-54-54.png][]

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

### 数组初始化 ###

import numpy as np from numpy import pi # 初始化一个数组,zeros的参数是元组 print(np.zeros((3, 4))) print("---------") # 初始化数组为1,并指定元素类型 print(np.ones((2, 3, 4), dtype=np.float)) print("---------") # 返回一个指定空间的随机的(0到1)数组 print(np.random.random((2, 3))) print("---------") # 在0和2*pi之间平均切分出15个元素 print(np.linspace(0, 2 * pi, 15))

![pycharm64_2018-09-13_17-00-44.png][]

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

### 数组间算术运算 ###

import numpy as np a = np.array([20, 30, 40, 50]) b = np.arange(4) # 数组之间空间大小相同可以进行算术运算 print(a - b) print("----") print(a * b) print("----") # 每个元素都进行乘法操作 print(b * 2) print("----") # 每个元素都进行指数操作 print(b ** 3) print("----") # 两个数组的点积 = np.sum(a * b) print(a.dot(b)) print(np.sum(a * b)) print(np.dot(a, b)) print("----")

![pycharm64_2018-09-13_17-13-31.png][]

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

### exp ###

import numpy as np b = np.arange(5) # 计算输入数组中所有元素的指数 e ** 元素的值 print(np.exp(b))

![pycharm64_2018-09-13_17-18-56.png][]

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

### sqrt ###

import numpy as np b = np.arange(5) # 返回数组的非负平方根，按元素计算。 print(np.sqrt(b))

![pycharm64_2018-09-13_17-19-53.png][]

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

### floor ###

import numpy as np # 向下取整 a = np.floor(10 * np.random.random((3, 4))) print(a) print(a.shape) print("-----")

![pycharm64_2018-09-13_17-37-44.png][]

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

### ravel ###

import numpy as np # 向下取整 a = np.floor(10 * np.random.random((3, 4))) # 返回一个平坦矩阵 print(a.ravel()) print(a.ravel().shape)

![pycharm64_2018-09-13_17-39-02.png][]

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

### resize/shape ###

import numpy as np # 向下取整 a = np.floor(10 * np.random.random((3, 4))) # 改变a的结构 a.shape = (6, 2) print(a) print("-----") # 改变阵列的形状和大小 a.resize((2, 6)) print(a) print("-----") # a的转置矩阵 print(a.T)

![pycharm64_2018-09-13_17-41-22.png][]

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

### hstack ###

import numpy as np a = np.floor(10 * np.random.random((3, 3, 5))) b = np.floor(10 * np.random.random((3, 3, 5))) c = np.floor(10 * np.random.random((3, 5))) d = np.floor(10 * np.random.random((3, 5))) print("a=", a, "\n") print("b=", b, "\n") # 水平(按列排列)排列。它相当于沿着第二轴的连接 # 这个函数对于3维的数组最有意义。 # 例如，对于具有高度(第一轴)、宽度(第二轴)和r/g/b通道(第三轴)的像素数据。 # 函数“concatenate”、“stack”和“block”提供了更一般的堆叠和连接操作。 print("ab=", np.hstack((a, b))) print("cd=", np.hstack((c, d)))

![pycharm64_2018-09-13_17-59-39.png][]![pycharm64_2018-09-13_18-00-03.png][]![pycharm64_2018-09-13_18-00-27.png][]![pycharm64_2018-09-13_18-00-48.png][]

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

### hsplit ###

import numpy as np a = np.floor(10 * np.random.random((2, 12))) print("a=", a) print("------") # 水平地将一个数组拆分为多个子数组(按列排列)。 # 请参考“split”文档。 'hsplit '相当于 np.split(axis=1)， # 数组总是沿着第二个轴分裂，而不管数组的大小。 print(np.hsplit(a, 3)) print("----") # hsplit第二个参数是个元组的时候，表示split的索引列 # 下面这个就是在 列索引号为 3,5,8的地方进行拆分 print(np.hsplit(a, (3, 5, 8))) print("----") a = np.floor(10 * np.random.random((2, 2, 4))) print("a=", a) # hsplit的第二个参数，如果不是元组或者是一个参数的元组 # 此参数必须可以让数组的第1轴的维数整除 print(np.hsplit(a, 2))

![pycharm64_2018-09-13_18-39-28.png][]

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

### = ###

import numpy as np a = np.arange(12) # 使用等号赋值，不同引用操作的地址相同 b = a print(b) print(b is a) b.shape = (3, 4) print(a.shape) print(id(a), id(b))

![pycharm64_2018-09-13_18-43-28.png][]

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

### view ###

import numpy as np a = np.arange(12) # view视图方法创建一个新的数组对象，该对象具有相同的数据 c = a.view() print(c) print(c is a) print(a) # a/b的地址不一样 print(id(a), id(c)) # 但是修改其中一个值之后，另一个也同步修改 c[3] = 333 print("a=", a) a[6] = 666 print("c=", c) c.shape = (3, 4) c[0] = 0 print(a)

![pycharm64_2018-09-13_19-05-52.png][]

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

### copy ###

import numpy as np a = np.arange(12) # copy返回数组的副本 d = a.copy() print(d) print(d is a) d.shape = (3, 4) print(id(a), id(d)) d[1] = 111 a[0] = 1000 # 修改任一值均不会影响另一个 print("a=", a) print("d=", d)

![pycharm64_2018-09-13_19-09-32.png][]

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

### argmax ###

import numpy as np data = np.sin(np.arange(20)).reshape(5, 4) print(data) print(data.shape) # (5, 4) # 沿给定轴（第0轴）的最大值的返回索引,将返回shape=(4,)的数组 ind = data.argmax(axis=0) print(ind, ind.shape) # 沿给定轴（第1轴）的最大值的返回索引,将返回shape=(5,)的数组 ind = data.argmax(axis=1) print(ind, ind.shape)

![pycharm64_2018-09-13_19-19-15.png][]

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

### tile ###

import numpy as np a = np.arange(0, 40, 10) print(a, "\n") # 通过重复代表给出的次数来构造数组。 b = np.tile(a, (1, 4)) print(b)

![pycharm64_2018-09-13_19-28-04.png][]

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

### argsort ###

import numpy as np a = np.array([4, 3, 1, 2]) # 返回对数组进行排序的索引。 # 最小的1索引为2，最大的4索引为0 b = np.argsort(a) # [2 3 1 0] print(b) # 排序后的数组 print(a[b])

![pycharm64_2018-09-13_19-31-08.png][]

[pycharm64_2018-09-13_16-36-02.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_16-36-02.png
[pycharm64_2018-09-13_16-51-43.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_16-51-43.png
[pycharm64_2018-09-13_16-53-04.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_16-53-04.png
[pycharm64_2018-09-13_16-54-54.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_16-54-54.png
[pycharm64_2018-09-13_17-00-44.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-00-44.png
[pycharm64_2018-09-13_17-13-31.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-13-31.png
[pycharm64_2018-09-13_17-18-56.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-18-56.png
[pycharm64_2018-09-13_17-19-53.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-19-53.png
[pycharm64_2018-09-13_17-37-44.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-37-44.png
[pycharm64_2018-09-13_17-39-02.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-39-02.png
[pycharm64_2018-09-13_17-41-22.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-41-22.png
[pycharm64_2018-09-13_17-59-39.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_17-59-39.png
[pycharm64_2018-09-13_18-00-03.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_18-00-03.png
[pycharm64_2018-09-13_18-00-27.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_18-00-27.png
[pycharm64_2018-09-13_18-00-48.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_18-00-48.png
[pycharm64_2018-09-13_18-39-28.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_18-39-28.png
[pycharm64_2018-09-13_18-43-28.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_18-43-28.png
[pycharm64_2018-09-13_19-05-52.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_19-05-52.png
[pycharm64_2018-09-13_19-09-32.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_19-09-32.png
[pycharm64_2018-09-13_19-19-15.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_19-19-15.png
[pycharm64_2018-09-13_19-28-04.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_19-28-04.png
[pycharm64_2018-09-13_19-31-08.png]: http://upyun.qubianzhong.cn/picture/pycharm64_2018-09-13_19-31-08.png