一、多维的表示
Numpy用列表表示多维矩阵:
第一维,维数大小为4:
% = [ & & & &] //&为标量,%表示一个维数大小为4的一维向量
第二维,维数大小为3:
@ = [% % %] //@表示由三个一维向量%组成的3*4的二维矩阵
上述二者添加变成:
@ = [[& & & &] [& & & &] [& & & &]]
三维列表如下:
>>> b = numpy.arange(24).reshape(2,3,4)
>>>print b
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
>>> b[1,2,1]
21
通过索引查值可以理解为:从外往里找,
索引为1找到值:
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
索引为2找到值:
[20 21 22 23]
索引为1找到值:
21
索引理解:
:表示当前维的所有索引值都取
import numpy as np
t = np.array(
[
[
[
[1,2,3],
[4,5,6]
],
[
[7,8,9],
[10,11,12]
],
[
[13,14,15],
[16,17,18]
]
],
[
[
[19,20,21],
[22,23,24]
],
[
[25,26,27],
[28,29,30]
],
[
[31,32,33],
[34,35,36]
]
]
])
print(t[0,:,:,:])
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]
[[13 14 15]
[16 17 18]]]
print(t[:,0,:,:])
[[[ 1 2 3]
[ 4 5 6]]
[[19 20 21]
[22 23 24]]]
print(t[:,:,0,:])
[[[ 1 2 3]
[ 7 8 9]
[13 14 15]]
[[19 20 21]
[25 26 27]
[31 32 33]]]
print(t[:,:,:,0])
[[[ 1 4]
[ 7 10]
[13 16]]
[[19 22]
[25 28]
[31 34]]]
二、生成数组
基本数据类型:
bool 用一个字节存储的布尔类型(True或False)
inti 由所在平台决定其大小的整数(一般为int32或int64)
int8 一个字节大小,-128 至 127
int16 整数,-32768 至 32767
int32 整数,-2 ^31 至 2 ^31 -1
int64 整数,-2 ^ 63 至 2 ^ 63 - 1
uint8 无符号整数,0 至 255
uint16 无符号整数,0 至 65535
uint32 无符号整数,0 至 2^ 32 - 1
uint64 无符号整数,0 至 2 ^ 64 - 1
float16 半精度浮点数:16位,正负号1位,指数5位,精度10位
float32 单精度浮点数:32位,正负号1位,指数8位,精度23位
float64或float 双精度浮点数:64位,正负号1位,指数11位,精度52位
complex64 复数,分别用两个32位浮点数表示实部和虚部
complex128或complex 复数,分别用两个64位浮点数表示实部和虚部
array方法:
通过列表:
>>> print numpy.array([[1,2],[3,4]], dtype=int16) //显示定义数组元素类型
[[1 2]
[3 4]]
通过元组
>>> print numpy.array((1.0,2,3,4))
[ 1.0 2. 3. 4. ]
arrange方法:
>>> print numpy.arange(11)
[ 0 1 2 3 4 5 6 7 8 9 10]
linspace方法(1-3分成9份):
>>> print numpy.linspace(1,3,9)
[ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ]
zeros(0),ones(1),eye(对角):
>>> print numpy.zeros((3,4))
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
>>> print numpy.ones((3,4))
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
>>> print numpy.eye(3)
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
随机数:
numpy.random.uniform 函数原型: numpy.random.uniform(low,high,size)从一个均匀分布[low,high)中随机采样,注意定义域是左闭右开,即包含low,不包含high.
randint: 原型:numpy.random.randint(low, high=None, size=None, dtype=‘l’),产生随机整数;
random_integers: 原型: numpy.random.random_integers(low, high=None, size=None),在闭区间上产生随机整数;
random_sample: 原型: numpy.random.random_sample(size=None),在[0.0,1.0)上随机采样;
random: 原型: numpy.random.random(size=None),和random_sample一样,是random_sample的别名;
rand: 原型: numpy.random.rand(d0, d1, …, dn),产生d0 - d1 - … - dn形状的在[0,1)上均匀分布的float型数。
randn: 原型:numpy.random.randn(d0,d1,…,dn),产生d0 - d1 - … - dn形状的标准正态分布的float型数。
三、数组属性
>>> a = numpy.ones((3,4))
>>> print a.ndim #维数
2
>>> print a.shape #每一维的大小
(3, 4)
>>> print a.size #元素数
12
>>> print a.dtype #元素类型
float64
>>> print a.itemsize #每个元素所占的字节数
8
四、数组索引,切片
索引:
>>> b = numpy.arange(24).reshape(2,3,4)
>>>print b
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
>>> b[1,2,1]
21
切片:
>>> b = numpy.arange(12).reshape(4,3)
>>> print b
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
# -1表示我懒得计算该填什么数字,由python通过数组a和其他的值3推测出来
np.reshape(a, (3,-1))
改变维数大小:
将切片对象按列转换为连接。
np.c_[np.array([1,2,3]), np.array([4,5,6])]
Out[96]:
array([[1, 4],
[2, 5],
[3, 6]])
np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]
Out[97]: array([[1, 2, 3, 0, 0, 4, 5, 6]])
从数组的形状中删除单维条目
x = np.array([[[0], [1], [2]]])
print(x)
"""
x=
[[[0]
[1]
[2]]]
"""
print(x.shape) # (1, 3, 1)
x1 = np.squeeze(x)
print(x1) # [0 1 2]
print(x1.shape) # (3,)
五、运算
±*/
运算符±*/都是对每个元素进行计算
>>> print a
[[ 1. 1.]
[ 1. 1.]]
>>> print b
[[ 1. 0.]
[ 0. 1.]]
>>> print a+b
[[ 2. 1.]
[ 1. 2.]]
>>> print a-b
[[ 0. 1.]
[ 1. 0.]]
>>> print b*2
[[ 2. 0.]
[ 0. 2.]]
>>> print (a*2)*(b*2)
[[ 4. 0.]
[ 0. 4.]]
>>> print b/(a*2)
[[ 0.5 0. ]
[ 0. 0.5]]
>>> print (a*2)**4
[[ 16. 16.]
[ 16. 16.]]
其他方法:
sum min max
>>> a = numpy.ones((3,4))
>>> a.sum()
12
>>> a.sum(axis=0) #计算每一列的和
array([ 4, 4, 4])
>>> a.min()
1
>>> a.max()
1
#关于参数axis的含义:首先我们将三维数组想象成许多二维数组平面添加而成。可按倒序记忆:三维最后添加深度0,倒数第二添加列1,第一形成行2。则
>>> print(X)
[[[5 2]
[4 2]]
[[1 3]
[2 3]]
[[1 1]
[0 1]]]
>>> X.sum(axis=0) //全部平面上的对应位置
array([[7, 6],
[6, 6]])
>>> X.sum(axis=1) //每一个平面的每一列
array([[9, 4],
[3, 6],
[1, 2]])
>>> X.sum(axis=2) //每一个平面的每一行
array([[7, 6],
[4, 5],
[2, 1]])
>>> print a
[[0 1 2]
[3 4 5]
[6 7 8]]
>>> a.sum(axis=0) //列
array([ 9, 12, 15])
>>> a.sum(axis=1) //行
array([ 3, 12, 21])
sin floor exp
>>> print a
[[ 1. 1.]
[ 1. 1.]]
>>> numpy.sin(a)
array([[ 0.84147098, 0.84147098],
[ 0.84147098, 0.84147098]])
>>> numpy.floor(a)
array([[ 1., 1.],
[ 1., 1.]])
>>> numpy.exp(a)
array([[ 2.71828183, 2.71828183],
[ 2.71828183, 2.71828183]])
如果数组太长,Numpy默认只打印两端数据,可设置set_printoptions(threshold=‘nan’) 强制打印
sign
import numpy as np
np.sign([-5., 0, 4.5])
# 大于0等于1,小于0等于-1 array([-1., 0., 1.])
六、合并
属于深拷贝
>>> a = numpy.ones((2,2))
>>> b = numpy.eye(2)
//垂直组合
>>> print np.vstack((a,b)) //与row_stack()行组合类似
[[ 1. 1.]
[ 1. 1.]
[ 1. 0.]
[ 0. 1.]]
//水平组合
>>> print numpy.hstack((a,b)) //与column_stack()行组合类似
[[ 1. 1. 1. 0.]
[ 1. 1. 0. 1.]]
//深度组合
>>> print a
[[0 1 2]
[3 4 5]
[6 7 8]]
>>> b = a*2
>>> print b
[[ 0 2 4]
[ 6 8 10]
[12 14 16]]
>>> print numpy.dstack((a,b)) //a与b在相同位置的元素进行组合
[[[ 0 0]
[ 1 2]
[ 2 4]]
[[ 3 6]
[ 4 8]
[ 5 10]]
[[ 6 12]
[ 7 14]
[ 8 16]]]
>>> a = numpy.ones((1,1))
>>> b = a #浅拷贝,作为函数参数时属于浅拷贝
>>> b is a
True
>>> c = a.copy() #深拷贝
>>> c is a
False
拼接:
原始python:
y1 = [[1,0],[0,0]]
y2 = [[0,0],[0,1]]
y1.append(y2) #将y2作为一个元素并进y1
# [[1, 0], [0, 0], [[0, 0], [0, 1]]]
y1 = [[1,0],[0,0]]
y2 = [[0,0],[0,1]]
y1.extend(y2) #将y2中元素逐个取出放入y1
# [[1, 0], [0, 0], [0, 0], [0, 1]]
numpy方法:
import numpy as np
a=np.array([[1,2,3],[4,5,6]])
b=np.array([[11,21,31],[7,8,9]])
np.append(a,b) # 将a和b中元素拼成一维
# array([ 1, 2, 3, 4, 5, 6, 11, 21, 31, 7, 8, 9])
import numpy as np
a=np.array([[1,2,3],[4,5,6]])
b=np.array([[11,21,31],[7,8,9]])
np.concatenate((a,b)) #将a和b默认按axis=0拼
array([[ 1, 2, 3],
[ 4, 5, 6],
[11, 21, 31],
[ 7, 8, 9]])
y1 = np.array([ [[1,0],[1,0]] , [[0,0],[0,0]] ])
y2 = np.array([ [[0,0],[0,0]] , [[0,1],[0,1]] ])
np.concatenate((y1,y2),axis=1) #按轴=1拼
array([[[1, 0],
[1, 0],
[0, 0],
[0, 0]],
[[0, 0],
[0, 0],
[0, 1],
[0, 1]]])
针对不同shape时,list和numpy混用:
y1 = [ np.array([[1,0,0],[1,0,0]]) , np.array([[0,0],[0,0]]) ]
y2 = [ np.array([[0,0,0],[0,0,0]]) , np.array([[0,1],[0,1]]) ]
np.concatenate((y1[0],y2[0]))
array([[1, 0, 0],
[1, 0, 0],
[0, 0, 0],
[0, 0, 0]])
七、分割
垂直和水平分割:
>>> print a
[[0 1 2]
[3 4 5]
[6 7 8]]
>>> numpy.hsplit(a,3)
[array([[0],
[3],
[6]]), array([[1],
[4],
[7]]), array([[2],
[5],
[8]])]
>>> print numpy.hsplit(a,3)
[array([[0],
[3],
[6]]), array([[1],
[4],
[7]]), array([[2],
[5],
[8]])]
>>> print a
[[0 1 2]
[3 4 5]
[6 7 8]]
>>> numpy.hsplit(a,3)
[array([[0],
[3],
[6]]), array([[1],
[4],
[7]]), array([[2],
[5],
[8]])]
>>> numpy.vsplit(a,3)
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
深度分割:
>>> a = numpy.arange(27).reshape(3,3,3)
>>> print a
[[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]]
[[ 9 10 11]
[12 13 14]
[15 16 17]]
[[18 19 20]
[21 22 23]
[24 25 26]]]
>>> numpy.dsplit(a,3)
[array([[[ 0],
[ 3],
[ 6]],
[[ 9],
[12],
[15]],
[[18],
[21],
[24]]]), array([[[ 1],
[ 4],
[ 7]],
[[10],
[13],
[16]],
[[19],
[22],
[25]]]), array([[[ 2],
[ 5],
[ 8]],
[[11],
[14],
[17]],
[[20],
[23],
[26]]])]
八、矩阵算法
>>> print a
[[1 0]
[2 3]]
>>> numpy.dot(a,a) #运用矩阵乘法,对于一位数组做的是内积运算
array([[ 1, 0],
[ 8, 9]])
>>> print a.transpose() #运用矩阵转置
[[1 2]
[0 3]]
>>> print numpy.trace(a) #运用矩阵的迹
4
九、其他
numpy.where函数是三元表达式x if condition else y的矢量化版本
plt.plot(xx, np.where(xx < 1, 1 - xx, 0), 'g-',label="Hinge loss")
# if xx<1 则1-xx否则0
维度转置:
# 其中 0 1 2 3分别表示张量的四个轴,转置后原来轴序变成 3 0 1 2
b = np.transpose(np.float32(a[:,:,:,np.newaxis]), (3,0,1,2))
判断是否有空值:
import numpy as np
data = np.array([1,2,3,np.nan,4,np.nan])
# 获得一个bool数组
np.isnan(data)
# array([False, False, False, True, False, True], dtype=bool)
# 获得nan的数量
np.isnan(data).sum()
# 2
删除行列:
删列:
np.delete(arr, [1,2], axis=1) # 对象,列数,指定轴
删行:
np.delete(arr, -1, axis=0)
读写文件:
np.savetxt('a.csv',a,fmt='%d',delimiter=',')#以逗号,分隔
b = loadtxt('a.csv',dtype=int,delimiter=',',usecols=(1,3,4))
Save an array to a binary file in NumPy .npy format.
np.save(outfile, x)
np.load(outfile)
排序:
np.sort(a,axis=1)
直方图:
np.histogram(num_count,bins=20)
去重:
label_u = np.unique(label)
numpy与list转换:
np.array(a)
a.tolist()
生成索引打乱数据:
np.random.seed(7)
index = np.arange(train_num)
np.random.shuffle(index)
print(index[:10])
part = int(0.90*train_num)
X_train = X[:part]
X_val = X[part:]
计算分位点:
for i in range(8):
print(i,":",np.percentile(continues[i],95)) #95%分位点