Numpy笔记

- 日理万妓 2023-06-03 05:54 11阅读 0赞

## N维ndarray(ndarray) ##

> `ndarray`是具有相同类型和大小的项目的（通常是固定大小的）多维容器。ndarray中的维和项的数量由其`shape`（维度）定义，该维度是指定每个维的大小的N个正整数的 `元组` ndarray中的项类型由单独的数据类型对象（dtype）指定，其中一个对象与每个ndarray关联。

### N维ndarray的构造 ###

#### 将list转换为ndarray ####

numpy.array(object, dtype=None, ndmin=0)
    #object对象,dtype数据类型,ndmin维度
    
    a=[[1,2],[3,4]]
    numpy.array(a)
    #将List转换为ndarray

#### 从txt导入ndarray ####

numpy.loadtxt('a.txt',delimiter=' ',skiprows=0,usecols=(0,1),unumpyack=False,dtype=float,comments='#')
    #delimiter分隔符,skiprows忽略前n行,usecols取那几列,unumpyack是否分列读取,dtype数据类型,comments跳过开头为#的行

#### 内置函数生成ndarray ####

numpy.ones(shape, dtype=None, order='C')
    #产生元素全是1的维度为shape的ndarray
    
    numpy.zeros(shape, dtype=float, order='C')
    #产生元素全是0的维度为shape的ndarray,默认类型是float
    
    numpy.linspace(start, stop, num)
    #产生从start到stop间隔均匀的num个浮点数
    
    numpy.arange([start, ]stop, [step, ]dtype=None)
    #类似[i for i in range()],只不过类型是ndarray
    
    numpy.random.randint(min,max,n)
    #产生包含n个随机元素(含头不含尾)的ndarray
    numpy.random.randint(a,b,size=(c,d))
    #产生a行b列的范围在(c,d)的随机ndarray
    
    numpy.random.normal(min,max,n)
    #产生符合正态分布包含n个随机元素(含头不含尾)的ndarray
    
    numpy.random.rand(a,b)
    #产生a行b列随机ndarray

#### Meshgrid高维操作 ####

a = numpy.array([1,2,3]) #
    #相当于x轴取值
    b = numpy.array([7,8]) #
    #相当于y轴取值
    # 返回list,有两个元素,第一个元素是X轴的取值,第二个元素是Y轴的取值
    res = numpy.meshgrid(a,b)
    #返回结果: [array([ [1,2,3] [1,2,3] ]) #, array([ [7,7,7] [8,8,8] ]) #],两个ndarray一一对应正好是x,y平面所有可取点

### 常用属性 ###

<table> 
 <thead> 
  <tr> 
   <th>属性</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>ndarray.shape</td> 
   <td>ndarray的维度的元组</td> 
  </tr> 
  <tr> 
   <td>ndarray.ndim</td> 
   <td>ndarray的维数</td> 
  </tr> 
  <tr> 
   <td>ndarray.size</td> 
   <td>ndarray中元素数量</td> 
  </tr> 
  <tr> 
   <td>ndarray.dtype</td> 
   <td>ndarray中的数据类型</td> 
  </tr> 
  <tr> 
   <td>ndarray.T</td> 
   <td>二维情况下是转置,一维情况下返回自身</td> 
  </tr> 
 </tbody> 
</table>

### ndarray操作 ###

a+b
    #+-*/都是逐元素运算
    
    a.dot(b)
    a@b
    #矩阵乘法
    
    numpy.power(a,b)
    #对ndarray(a)的每个元素进行b次幂运算
    
    a.transpose()
    a.T
    #转置矩阵
    
    numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>)
    #标准差,a:ndarray,axis轴(None或int或int组成的元组)
    
    numpy.var(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>)
    #标准差,a:ndarray,axis轴(None或int或int组成的元组)
    
    a.reshape(1,2)
    a.resize(1,2)
    #reshape：有返回值，所谓有返回值，即不对原始多维数组进行修改；
    #resize：无返回值，所谓有返回值，即会对原始多维数组进行修改；
    #改变shape
    
    numpy.flatten()
    #将ndarray化为一维
    
    numpy.vstack((a,b))
    #上下结合
    
    numpy.hstack((a,b))
    #左右结合
    
    a[a>0]
    #取大于零的ndarray所有元素
    
    numpy.linalg.inv(A)
    #对ndarrayA求逆
    numpy.linalg.pinv(A)
    #对ndarrayA求伪逆

### 统计函数 ###

#### 顺序统计 ####

amin(a[, axis, out, keepdims]) # 返回数组的最小值或沿轴的最小值。
    amax(a[, axis, out, keepdims]) # # 返回数组的最大值或沿轴的最大值。
    nanmin(a[, axis, out, keepdims]) # 返回数组的最小值或沿轴的最小值，忽略任何NAS。
    nanmax(a[, axis, out, keepdims]) # 返回数组的最大值或沿轴方向的最大值，忽略任何NAS。
    ptp(a[, axis, out]) # 沿轴的值的范围(最大值-最小值)。
    percentile(a, q[, axis, out, …]) # 计算数据沿指定轴的第qth百分位数。
    nanpercentile(a, q[, axis, out, …]) # 在忽略NaN值的情况下，沿着指定的轴计算数据的第qth百分位数。

#### 平均数和差异 ####

median(a[, axis, out, overwrite_input, keepdims]) # 沿指定轴计算中值。
    average(a[, axis, weights, returned]) # 计算沿指定轴的加权平均。
    mean(a[, axis, dtype, out, keepdims]) # 沿指定的轴计算算术平均值。
    std(a[, axis, dtype, out, ddof, keepdims]) # 计算沿指定轴的标准偏差。
    var(a[, axis, dtype, out, ddof, keepdims]) # 计算沿指定轴的方差。
    nanmedian(a[, axis, out, overwrite_input, …]) # 在忽略NAS的情况下，沿指定的轴计算中值。
    nanmean(a[, axis, dtype, out, keepdims]) # 计算沿指定轴的算术平均值，忽略NAS。
    nanstd(a[, axis, dtype, out, ddof, keepdims]) # 计算指定轴上的标准偏差，而忽略NAS。
    nanvar(a[, axis, dtype, out, ddof, keepdims]) # 计算指定轴上的方差，同时忽略NAS。

#### 关联 ####

corrcoef(x[, y, rowvar, bias, ddof]) # 返回Pearson乘积矩相关系数。
    correlate(a, v[, mode]) # 返回两个一维序列的交叉关系。
    cov(m[, y, rowvar, bias, ddof, fweights, …]) # 估计协方差矩阵，给定数据和权重。

## 矩阵(matrix) ##

> `matrix`对象继承自ndarray，因此，它们具有相同的ndarrays属性和方法。

### 特性 ###

1.  Matrix对象始终是二维的。 这具有深远意义，因为m.ravel()仍然是二维的（第一维中为1），项选择返回二维对象，因此序列行为与数组根本不同。
2.  矩阵对象覆盖乘法是矩阵乘法。!!!! '\*'和'\*\*''这里是指矩阵乘法和矩阵的幂,如果需要逐元素的操作使用numpy.multiply和numpy.power
3.  矩阵对象的默认**array\_priority**是10.0，因此与ndarrays的混合操作总是产生矩阵。

### 构造方法 ###

#### 从字符串创建 ####

>>> a=mat('1 2 3; 4 5 3')
    >>> print (a*a.T).I
    [[ 0.2924 -0.1345]
     [-0.1345  0.0819]]

#### 从ndarray创建 ####

>>> mat(random.rand(3,3)).T
    matrix([[ 0.7699,  0.7922,  0.3294],
            [ 0.2792,  0.0101,  0.9219],
            [ 0.3398,  0.7571,  0.8197]])

### 属性 ###

<table> 
 <thead> 
  <tr> 
   <th>属性</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>matrix.T</td> 
   <td>返回矩阵的转置</td> 
  </tr> 
  <tr> 
   <td>matrix.H</td> 
   <td>返回矩阵的共轭转置</td> 
  </tr> 
  <tr> 
   <td>matrix.I</td> 
   <td>返回矩阵的逆</td> 
  </tr> 
  <tr> 
   <td>matrix.A</td> 
   <td>返回矩阵的ndarray对象</td> 
  </tr> 
 </tbody> 
</table>

转载于:https://www.cnblogs.com/redo19990701/p/11461212.html