属性;
data.shape #用来表征数组每个维度的数量。
data.dtype #用来描述数组的类型
data.ndim #用来查看数据的维度
方法：
.reshape(())
生成ndarray
np.array #将输入数据（列表，元组，数据以及其他序列）转换为ndarray，默认复制所有输入的数据
np.asarray #将输入转换为ndarray.但如果输入已经是ndarray则不再复制
np.ones #根据给定形状和数据类型生成全1数组
np.ones_like #根据给定的数组生成一个形状一样的全1数组
np.zeros #根据给定形状和数据类型生成全0数组
np.zeros_like #根据给定的数组生成一个形状一样的全0数组
np.empty #根据给定形状生成一个没有初始化数值的空数组
np.empty_like #根据所给数组生成一个形状一样但没有初始化数值的空数组
np.full #根据给定形状和数据类型生成指定数值的数组
np.full_like #根据给定的数组生成一个形状一样但内容是指定数值的数组
np.eye #生成一个N*N的特征矩阵
数组的类型：
int i1 i2 i4 i8
float f2 f4 f8 f16
bool ?
object O
string S
数组的类型转换： data.astype(np.float64 / data.dtype)
数组算术
标量计算：会将计算参数应用到数组中的每一个元素
同尺寸数组的比较运算 ：产生一个bool数组
布尔索引
布尔数组的长度必须和数组轴索引长度一致
names = np.array(['Bob','Joe','Bob','Will','Will','Joe','Joe'])
data = np.random.randn(7,4)
names
array(['Bob', 'Joe', 'Bob', 'Will', 'Will', 'Joe', 'Joe'], dtype='<U4')
data
array([[ 0.12321991, -1.09632626, -0.30461838, 2.48481254],
[ 0.9913972 , 0.88999478, -0.47208552, -0.26930907],
[-2.33000677, -0.1476485 , -0.59621164, 1.89350542],
[-0.02867256, 0.23359139, -0.3729644 , -1.91841038],
[ 0.80456444, -0.02035105, 1.38518404, 1.25534382],
[-0.77081481, -0.75201718, -0.50267916, -0.4025687 ],
[-1.34663732, -0.5083561 , 1.0521195 , 0.80214868]])
names == 'Bob'
array([ True, False, True, False, False, False, False])
data[names == 'Bob']
array([[ 0.12321991, -1.09632626, -0.30461838, 2.48481254],
[-2.33000677, -0.1476485 , -0.59621164, 1.89350542]])
data[names == 'Bob',2]
array([-0.30461838, -0.59621164])
data[names == 'Bob',2:]
array([[-0.30461838, 2.48481254],
[-0.59621164, 1.89350542]])
data[~(names == 'Bob')] #使用 != 或者在条件表达式前加 ~ 对条件取反
array([[ 0.9913972 , 0.88999478, -0.47208552, -0.26930907],
[-0.02867256, 0.23359139, -0.3729644 , -1.91841038],
[ 0.80456444, -0.02035105, 1.38518404, 1.25534382],
[-0.77081481, -0.75201718, -0.50267916, -0.4025687 ],
[-1.34663732, -0.5083561 , 1.0521195 , 0.80214868]])
mask = (names == 'Bob') | (names == 'Will') ***#当要选择多个值时，对多个布尔值条件联合，用and(&)和 or(|)***
mask
array([ True, False, True, True, True, False, False])
data[mask]
array([[ 0.12321991, -1.09632626, -0.30461838, 2.48481254],
[-2.33000677, -0.1476485 , -0.59621164, 1.89350542],
[-0.02867256, 0.23359139, -0.3729644 , -1.91841038],
[ 0.80456444, -0.02035105, 1.38518404, 1.25534382]])
data[data<0] = 0 #通过布尔赋值
data
array([[0.12321991, 0. , 0. , 2.48481254],
[0.9913972 , 0.88999478, 0. , 0. ],
[0. , 0. , 0. , 1.89350542],
[0. , 0.23359139, 0. , 0. ],
[0.80456444, 0. , 1.38518404, 1.25534382],
[0. , 0. , 0. , 0. ],
[0. , 0. , 1.0521195 , 0.80214868]])
转置和换轴 data.transpose() 和特殊的T属性 data.T 和 data.swapasxes(一对轴编号)
data
array([[ 0.66837421, 0.89010689, -0.01424221, 0.90782448],
[ 0.37356741, -0.07476905, -0.3653412 , 1.01533556],
[-0.0802038 , 0.17349197, -1.599615 , 0.56571188],
[-1.28334251, 0.81426487, -0.923576 , 1.34439761],
[ 0.55554439, -0.0075288 , -0.51077055, 1.62667747],
[-0.72533576, -0.89991397, 0.17066818, -0.64373175],
[ 0.80755579, -1.0907833 , -0.03899747, 0.61250142]])
data.T
array([[ 0.66837421, 0.37356741, -0.0802038 , -1.28334251, 0.55554439,
-0.72533576, 0.80755579],
[ 0.89010689, -0.07476905, 0.17349197, 0.81426487, -0.0075288 ,
-0.89991397, -1.0907833 ],
[-0.01424221, -0.3653412 , -1.599615 , -0.923576 , -0.51077055,
0.17066818, -0.03899747],
[ 0.90782448, 1.01533556, 0.56571188, 1.34439761, 1.62667747,
-0.64373175, 0.61250142]])
data.transpose((1,0))
array([[ 0.66837421, 0.37356741, -0.0802038 , -1.28334251, 0.55554439,
-0.72533576, 0.80755579],
[ 0.89010689, -0.07476905, 0.17349197, 0.81426487, -0.0075288 ,
-0.89991397, -1.0907833 ],
[-0.01424221, -0.3653412 , -1.599615 , -0.923576 , -0.51077055,
0.17066818, -0.03899747],
[ 0.90782448, 1.01533556, 0.56571188, 1.34439761, 1.62667747,
-0.64373175, 0.61250142]])
data.swapaxes(1,0)
array([[ 0.66837421, 0.37356741, -0.0802038 , -1.28334251, 0.55554439,
-0.72533576, 0.80755579],
[ 0.89010689, -0.07476905, 0.17349197, 0.81426487, -0.0075288 ,
-0.89991397, -1.0907833 ],
[-0.01424221, -0.3653412 , -1.599615 , -0.923576 , -0.51077055,
0.17066818, -0.03899747],
[ 0.90782448, 1.01533556, 0.56571188, 1.34439761, 1.62667747,
-0.64373175, 0.61250142]])
通用函数
一元通用函数
abs 逐元素计算整数，浮点数，复数的绝对值
sqrt 计算每个元素的平方根
square 计算每个元素的平方
exp 计算每个元素的自然指数值
log log10 log2 log1p 计算元素的对数
sign 计算每个元素的符号值：1（正数），0（0），-1（负数）
ceil 计算每个元素的最高整数值
floor 计算每个元素的最小整数值
rint 将元素保留到整数位，并保持dtype
modf 分别将数组的小数部分和整数部分按数组的形式返回
isnan 返回数组中的的元素是否是一个Nan,形式为布尔值数组
isfinite isinf 分别返回数组中的元素是否有限，是否无限的，形式为布尔值数组
cos cosh sin 常规的双曲线函数
sinh tan tanh
logical_not 对数组的元素按位取反（与-arr效果一致）
二元通用函数
add 将数组的对应元素相加
subtract 在第二个数组中，将第一个数组中包含的元素去除
multiply 将数组的对应元素相乘
divide floor_divide 除 整除（放弃余数）
power 将第二个数组中的元素作为第一个数组对应元素的幂次方
maximum fmax 逐个元素计算最大值 fmax 忽略NaN
minmum fmin 逐个元素计算最小值 fmin 忽略NaN
mod 按元素的求模运算
copysign 将第一个数组的符号值改为第二个数组的符号值
> >= < <= == != 逐元素比较运算
logical_and logical_or logical_xor 逐元素进行逻辑操作
将条件逻辑作为数组操作 np.where(expr,xarr,yarr)
当 expr 成立时 取xarr 不成立时 取 yarr 也可以进行嵌套
np.where() 的数组既可以是同等大小的数组，也可以是标量
数学统计方法
arr.sum() 沿着轴向计算所有元素的累和，0长度的数组，累计为0
arr.mean() 数学平均，0长度的数组平均值为NaN
arr.std() var() 标准差，方差，可以选择自由度的调整（默认分母为n）
arr.min() max() 最小值，最大值
arr.argmin() argmax() 最小值和最大值的位置
cumsum 从0开始元素累计和
cumprod 从0开始元素的累计积
布尔数组的方法（any 和 all）
排序 arr.sort() arr.sort(1)
唯一值与其他集合逻辑 np.unique(arr)
数组的集合操作：
unique(x) 计算x的唯一值，并排序
intersect1d(x,y) 计算x与y的交集，并排序
union1d(x,y) 计算x与y的并集，并排序
in1d(x,y) 计算x中的元素是否包含在y中，返回一个布尔值数组
setdiff1d(x,y) 计算x与y的差集
setxor1d(x,y) 异或集 ，在x或y中，但不属于x,y 的交集元素
线性代数
from numpy.linalg import
diag
dot 矩阵点乘
trace 计算对角元素和
det 计算矩阵的行和列
eig 计算方阵的特征值和特征向量
inv 计算方阵的逆矩阵
pinv 计算矩阵的Moore-Penrose伪逆
qr 计算QR分解
svd 计算奇异值分解（SVD）
solve
lstsq 计算 Ax = b 的最小二乘解
伪随机数生成
numpy.random中的常用函数
seed 向随机数生成器传递随机状态种子
permutation 返回一个序列的随机排列，或者返回一个乱序的整数范围序列
shuffle 随机排列一个序列
rand 从均匀分布中抽取样本
randint 根据给定的由低到高的范围抽取随机整数
randn 从均值为0方差为1的正态分布中抽取样本
binomial 从二项分布中抽取样本
normal 从正态分布中抽取样本
beta 从beta分布中抽取样本
chisquare 从卡方分布中抽取样本
gamma 从伽马分布中抽取样本
uniform 从均匀【0,1）分布中抽取样本
本文详细介绍了Numpy库中的常用属性和方法，包括数组的生成、类型转换、算术运算、布尔索引、转置与换轴、通用函数、条件逻辑操作、数学统计方法、排序、唯一值计算以及线性代数和伪随机数生成等核心功能。
扫一扫
942
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
