Numpy进阶小结

Numpy进阶要点总结

获取符合条件的索引

函数：where([condition])

eg. 获得数组[[ 1 2 3 4 5] [ 2 4 6 8 10] [ 3 6 9 12 15]]中大于5的元素的索引。

b=array1>5
index_gt5=np.where(b)

结果：

(array([1, 1, 1, 2, 2, 2, 2], dtype=int64), array([2, 3, 4, 1, 2, 3, 4], dtype=int64))

结果说明：

输出结果是二维数组中对应元素值为true的坐标，第一个array代表行，第二个array代表列。一一对应，组成（行，列）坐标对。

补充：函数：where([condition],x,y)

condition中为true的返回x, 为false 的返回y.

获得数组中最大最小值的索引

函数：np.argmax([array])

​ np.argmin([array])

元组(tuple)

这是新型编程语言才有的概念，C系列、Java语言中都没有。若某一变量/函数是元素（tuple）则可以返回多个变量，由多个变量同时接受，变量位置和该变量/函数的返回值位置对应。

例如，上述index_gt5是元组（tuple）类型。包含两个数组

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HjmIueih-1598581756083)(C:\Users\38266\AppData\Roaming\Typora\typora-user-images\image-20200527174224687.png)]

使用如下代码可以得到，两个数组。第一个数组存入x,第二个数组存入y.

x,y=index_gt5

创建元组

t=()

若元组中只有一个元素，则需要加“，” 如：t(1,)

导入导出csv、保存加载numpy

导入数据：np.genfromtxt() 导入csv: np.savetxt()

针对numpy数据，保存一个ndarray 使用np.save() 保存为 .npy ; 保存多个ndarray ,使用np.savez() 保存为.npz。

​ 加载使用np.load()

标量函数向量化

什么是标量函数？简单的说，就是传一个参数返回一个参数。

所谓向量化，就是把这个标量函数改装成，可以传一个数组返回一个数组，其中对每个元素的操作都和对应标量函数的的操作一致。

eg, 有一标量函数fun(x)

def fun(x):
    if x%2==0:
        return x**2
    else:
        return x

向量化后

fun_v=np.vectorize(fun,otypes=[float])
print(fun_v([1,2,3,4,5]))

结果：

[ 1. 4. 3. 16. 5.]

思考：依据函数向量化的思路，我们是否可以将np.max向量化求数组(dnarray)的行或列的最大值呢？

当然不可以，np.vectorize()向量化后对象对目标的操作是将目标的每一个元素单独取出操作，而我们要达到求行或列最大值的目的，需要对每一行元素取出进行操作。

由此，我们有了另一个函数np.apply_ along_ _axis().这个函数就可以对一条轴上元素整体取出进行操作，可以达到求行、列最大值的目的。

eg. 求 二维数组 array1 的每行最大值。

row_max=np.apply_along_axis(np.max,axis=1,arr=array1)

增加数组的维度

列的维度增加：x_col=x[:, np.newaxis]

行的维度增加：x_row=x[np.newaxis,: ]

Histogram函数和Bincount函数

Bincount函数

**用途1）**每个索引的次数np.bincount(x)

将一个索引数组称为bin数组，若x数组中最大的数为A，则bin数组的数量为A+1,索引为0 --> A，即 bin=[0, 1, 2, 3, ……，A]。np.bincout返回bin数组中每个元素在x中出现的次数。所以np.bincount返回值是一个长度为A的数组。

#我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7

x = np.array([0, 1, 1, 3, 2, 1, 7])

#索引0出现了1次，索引1出现了3次......索引5出现了0次......

np.bincount(x)
#因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0, 1])

#我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7

x = np.array([7, 6, 2, 1, 4])

#索引0出现了0次，索引1出现了1次......索引5出现了0次......

np.bincount(x)
#输出结果为：array([0, 1, 1, 0, 1, 0, 1, 1])

**用途2）**参数weight。

同样, bin=[0, 1, 2, 3, ……，A]。在x中找到与bin中元素（元素设为index）相同的，记录下索引号，在weight数组中将索引号对应的权重元素累加。

w = np.array([0.3, 0.5, 0.2, 0.7, 1., -0.6])

# 我们可以看到x中最大的数为4，因此bin的数量为5，那么它的索引值为0->4

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

# 索引0 -> 0

# 索引1 -> w[1] = 0.5

#索引2 -> w[0] = 0.3

#索引3 -> w[2] + w[5] = 0.2 - 0.6 = -0.4

#索引4 -> w[3] + w[4] = 0.7 + 1 = 1.7

np.bincount(x,  weights=w)

# 因此，输出结果为：array([ 0. ,  0.5,  0.3, -0.4,  1.7])

用途3） 参数minlength

指定bin数组的最小长度。如果指定的长度小于x的长度，则这个参数不发挥作用。

# 我们可以看到x中最大的数为3，因此bin的数量为4，那么它的索引值为0->3

x = np.array([3, 2, 1, 3, 1])

# 本来bin的数量为4，现在我们指定了参数为7，因此现在bin的数量为7，所以现在它的索引值为0->6

np.bincount(x, minlength=7)

# 因此，输出结果为：array([0, 2, 1, 2, 0, 0, 0])

# 我们可以看到x中最大的数为3，因此bin的数量为4，那么它的索引值为0->3

x = np.array([3, 2, 1, 3, 1])

# 本来bin的数量为4，现在我们指定了参数为1，那么它指定的数量小于原本的数量，因此这个参数失去了作用，索引值还是0->3

np.bincount(x, minlength=1)

# 因此，输出结果为：array([0, 2, 1, 2])

histogram函数

计算x元素在bin区间的个数

eg.

x=np.array([1,1,2,3,2,4,4,5,6,6,6])
count,bins=np.histogram(x,[0,2,4,6,8])
print(count)
print(bins)

结果：

[2 3 3 3]

因此，输出结果为：array([0, 2, 1, 2])

### histogram函数

计算x元素在bin区间的个数

eg.

```python
x=np.array([1,1,2,3,2,4,4,5,6,6,6])
count,bins=np.histogram(x,[0,2,4,6,8])
print(count)
print(bins)

结果：

[2 3 3 3]
[0 2 4 6 8]