numpy学习笔记

np.fromfunction( ):

np.fromfunction(function, shape, **kwargs ):
通过对坐标轴上的坐标（0， 1， 2， 3……），执行 function 函数来计算出大小为 shape 的 array. 注： *args是可变的positional arguments列表，**kwargs是可变的keyword arguments列表

---

np.mean() 与 np.average():

np.mean(): 计算算数平均值

np.average(a, axis=None, weights=None, returned=False): 计算加权平均值，其中 returned 参数： Default is False. If True, the tuple (average, sum_of_weights) is returned.

---

np.diag():

np.diag(): 用于设置对角线附近的值

---

np.intersect1d():

np.intersect1d(ar1, ar2, assume_unique=False): 1d：输出的是一维 array.

---

提取数组的整数部分

使用5种不同的方法提取一个随机数组的整数部分：

Z = np.random.uniform(0,10,10)
print("原始值: ", Z)
print ("方法 1: ", Z - Z%1)
print ("方法 2: ", np.floor(Z))
print ("方法 3: ", np.ceil(Z)-1)
print ("方法 4: ", Z.astype(int))
print ("方法 5: ", np.trunc(Z))

---

将二维数组按照第三列从上到下进行升序排列：

Z = np.random.randint(0,10,(5,5))
print("排序前：\n",Z)
Z[Z[:,2].argsort()]

总结：argsort(), argmin(), argmax() 找出所求值的索引，但对于二维或多维数组来说就是在操作一行或者一列了，对于二维可以用 amax()

---

将二维数组的前两行进行顺序交换：

A = np.arange(25).reshape(5,5)
print(A)
A[[0,1]] = A[[1,0]]
print(A)

---

计算两个数组之间的欧式距离：

a = np.array([1, 2])
b = np.array([7, 8])
#数学计算方法，即公式硬怼
print(np.sqrt(np.power((8-2), 2) + np.power((7-1), 2)))
#NumPy 计算
np.linalg.norm(b-a)

---

求逆矩阵并验证：

matrix = np.array([[1., 2.], [3., 4.]])
inverse_matrix = np.linalg.inv(matrix)

验证原矩阵和逆矩阵的点积是否为单位矩阵

assert np.allclose(np.dot(matrix, inverse_matrix), np.eye(2))

---

numpy.linalg

numpy.linalg: linalg = linear + algebra
np.linalg.inv()：矩阵求逆
np.linalg.det()：矩阵求行列式（标量）
np.linalg.norm(x, ord=None, axis=None, keepdims=False): ord: 默认为求第二范数，可以为1（|x1|+|x2|+…+|xn|）, 2, np.inf（max(|xi|)）

---

np.squeeze():

Remove single-dimensional entries from the shape of an array.

x = np.array([[[0], [1], [2]]])
x = np.squeeze(x, axis=(0, 2))
print(x)
#输出结果：[0 1 2]

---

resize()和reshape()的区别

如a.reshape((2,3)) 不会真的改变a的形状，但resize会

---

np.tile()和np.repeat()的区别:

a=np.array([10,20])
a.repeat([3,2]) # len([3,2]) == a.ndim（a的维度）
#结果：[10,10,10,20,20]

a.repeat([3,2],axis=1)
#结果：array([[10, 10, 10, 20, 20], 
#            [30, 30, 30, 40, 40]]) 

所以tile和repeat的区别就是tile是整个的重复，而repeat通过axis参数可以只对行或者列进行重复，但需要注意的是len(repeats)==a.shape[axis]

---

np matrix和array的区别：

numpy matrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的（1D，2D，3D····ND）. matrix是array的一个小的分支，包含于array. 所以matrix 拥有array的所有特性。
在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那么a*b，就是矩阵积。而不用np.dot().

#建立matrix:
a=np.mat('4 3; 2 1')

np.multiply(a, b) 和 a*b 的区别：
np.multiply() 对array, mat都是element-wise
*对array是对应位置相乘，对mat是进行矩阵乘法运算

---

to be continued…