Autoleader算法组—numpy学习笔记

一、Numpy是什么？

NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多（该结构也可以用来表示矩阵（matrix）），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。

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np

2.创建数组

要创建 NumPy 数组，可以使用函数 np.array()

import numpy as np
a = np.array([1,2,3])

从已有数组创建数组

x =  [1,2,3] 
a = np.asarray(x)  
#[1 2 3]

创建包含一系列均匀间隔的数组。将指定第一个数字、最后一个数字和步长。

np.arange(2,9,2)
#[2 4 6 8]

3.排序元素

排序元素可以使用函数np.sort()
numpy.sort(a, axis=-1, kind=None, order=None)

arr = np.array([2,1,4,3,7,5,6,89])
np.sort(arr)
#[1 2 3 4 5 6 7 8 9]

排序元素还可用到其他函数：
argsort，它是沿指定轴的间接排序，
lexsort，它是对多个键的间接稳定排序，
searchsorted，它将在排序数组中查找元素，以及分区，这是一种部分排序。

连接多个个数组可以用到np.concatenate()函数
numpy.concatenate((a1, a2, …), axis=0, out=None, dtype=None,casting=“same_kind”

a = np.array([1,2,3])
b = np.array([4,5,6])
np.concatenate((a, b))
#[1 2 3 4 5 6])

或者将数组连接起来

m = np.array([[1,2], [3,4]])
n = np.array([[5,6]])
np.concatenate((m,n), axis=0)
#array([[1, 2],
#       [3, 4],
#       [5, 6]])

4.切片与索引

ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中列表的切片操作一样。下标从0-n。
切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。

a = np.arange(10)
s = slice(2,7,2)   #从索引2开始到索引7停止，间隔为2
print (a[s])
#[2 4 6]

也可通过冒号切割进行切片

a = np.arange(10)  
b = a[2:7:2]   #从索引2开始到索引7停止，间隔为2
print(b)
#[2 4 6]

以下获取（0，0）（1，1）处的元素

x = np.array([[1,2],[3,4]]) 
y = x[[0,1],  [0,1]]  
#[1 4]

5.数组形状

ndarray.ndim 将显示数组的轴数或尺寸。

a = np.arange(24) 
a.ndim
#1

ndarray.size 将显示数组的元素总数。这是数组形状元素的乘积。

a = np.array([[1,2,3],[4,5,6]])  
a.side
#6

ndarray.shape将显示一个整数元组，指示沿数组的每个维度存储的元素数。例如，如果您有一个包含 2 行和 3 列的二维数组，则数组的形状为 。(2, 3)

a = np.array([[1,2,3],[4,5,6]])  
a.shape
#（2，3）

6.广播

广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行。
如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。

a = np.array([1,2,3,4]) 
b = np.array([1,2,3,4]) 
c = a*b 
#[1 4 9 16]

当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制。

a = np.array([[ 0, 0, 0],
           [1,1,1],
           [2,2,2],
           [3,3,3]])
b = np.array([0,1,2])
print(a+b)
#[[0 1 2]
# [1 2 3]
# [2 3 4]
# [3 4 5]]

7.基本阵列操作

加法

data = np.array([1,2])
ones = np.ones(2,dtype=int)
data + ones
#[2 3]

减法

data = np.array([1,2])
ones = np.ones(2,dtype=int)
data - ones
#[0 1]

乘法

data = np.array([1,2])
ones = np.ones(2,dtype=int)
data * data
#[0 2]

除法

data = np.array([1,2])
ones = np.ones(2,dtype=int)
data / data
#[1. 1.]

求和sum函数
对行轴求和

b = np.array([[1, 1], [2, 2]])
b.sum(axis=0)
#[3 3]

对列轴求和

b.sum(axis=1)
#[2 4]