|
基本操作 |
| np.arange |
类似range，生成numpy数组 |
| np.random.randn |
按照shape生成随机正态分布的数据 |
| arr.ndim |
查看数组维度 |
| arr.shape |
查看数组每个维度的长度 |
| arr.dtype |
查看数组的类型 |
| np.array |
将输入数据转化为ndarray，不指定类型，则自动推断，默认复制所有输入数据 |
| np.asarray |
将输入转为ndarray，若输入已经是ndarray则不再复制 |
| arr.astype |
转换到指定数据类型 |
|
数组生成 |
| np.ones |
根据shape和dtype生成全1数组 |
| np.ones_like |
根据给定数组，生成一个shape一样的全1数组 |
| np.zeros |
全0 |
| np.zeros_like |
类似ones_like |
| np.empty |
根据给定的shape和dtype生成空数组 |
| np.empty_like |
根据给定的数组，生成一个形状一样的空数组 |
| np.full |
同上，生成指定数组的数组 |
| np.full_like |
同上 |
| np.eye |
生成N*N的特征矩阵（即对角线都是1 ，其余全是0） |
| np.identity |
同eye、 |
ndarray切片
numpy数组的切片与python内建列表的切片非常不一样，恰恰相反，numpy数组的切片是原数组的视图，也就是说当我们在数组的切片上做改变时，原数组上也会改变
arr[2:3].copy()： 如果需要复制的话，就要显示的使用copy方法
在不同维度上制作切片时，用逗号隔开
#如：
arr_1 = arr[:, :]
ndarray索引
ndarray的索引都是拷贝
布尔索引
使用布尔索引生成的是数据的拷贝，对原数据没有改变
神奇索引
直接将自己需要的数据的索引组成列表，再将列表传入当索引，直接可以选出自己想要的数据
import numpy as np
arr = np.empty((5,3))
for i in range(5):
arr[i] = i
print(arr)
print("............")
print(arr[[1,3]])
print("............")
print(arr[[-1,-3]])
"""
out:
[[0. 0. 0.]
[1. 1. 1.]
[2. 2. 2.]
[3. 3. 3.]
[4. 4. 4.]]
............
[[1. 1. 1.]
[3. 3. 3.]]
............
[[4. 4. 4.]
[2. 2. 2.]]
"""
数组的转置和换轴
|
|
|
| T方法 |
转置 |
| transpose方法 |
换轴 |
| swapaxes |
接受一对轴编号作为参数，并对轴进行调整用于重组数据 |
通用函数
|
一元通用函数 |
| abs, fabs |
逐元素地计算整数，浮点数或复数的绝对值 |
| sqrt |
计算平方根 |
| square |
计算平方 |
| exp |
计算每个元素的自然指数值e^x |
| log,log10,log2,log1p |
对数，底分别为：e，10，2。log1p为对数log（1+x） |
| sign |
计算每个元素的符号值：1（正数），0，-1（负数） |
| ceil |
计算最高整数值 |
| floor |
计算最小整数值 |
| rint |
将元素保留到整数位，并保留dtype |
| modf |
将数组的小数部分和整数部分按数组形式返回 |
| isnan |
返回数组中的元素是否不是一个数值（是一个nan），返回布尔数组 |
| isfinite, isinf |
反别返回数组中元素是否有限（非inf，非NaN），是否无限的，返回布尔数组 |
| cos,cosh,sin,sinh,tan,tanh |
常规双曲三角函数 |
| arc… |
加上前缀arc变成反三角函数 |
|
二元通用函数 |
| subtract |
在第二个数组中，将第一个数组中包含的元素去除 |
| divide，floor_divide |
整除 |
| power |
将第二个数组的元素作为第一个数组对应元素的幂次方 |
| maximum，fmax |
逐元素计算最大值，fmax忽略NaN |
| minximum，fmin |
逐元素计算最小值，fmin忽略NaN |
| mod |
按元素的求模计算 |
| copysign |
将第一个数组的符号值改为第二个数组的符号值 |
np.where(x,y,c)： 三目运算符，同“x if c else y”
面向数组编程
数组统计方法
|
|
| sum |
沿轴对所有元素进行求和 |
| mean |
数学平均，0长度数组的平均为NaN |
| std，var |
标准差和方差，可以选择*度调整，默认分母为n |
| max，min |
最大最小值 |
| armax,armin |
最大最小值的位置 |
| cumsum |
从0开始元素累积求和 |
| cumprod |
从1开始元素累积求积 |
布尔值数组的方法
在numpy中布尔值会被强制为1或者0，所有通常可以使用sum统计true的个数
|
|
| arr.any() |
检查数组中是否至少含有一个True（非0） |
| arr.all() |
检查是否每一个值都为True（非0） |
排序
np.sort()和python的sort方法有点不一样，np.sort是拷贝排序，而python自带的sort是直接在原序列上进行排序
唯一值与其他集合逻辑
|
|
| unique(arr) |
计算数组每个元素的唯一值，并排序 |
| intersect1d(x,y) |
计算x和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，返回布尔值数组 |
| setdiff1d(x,y) |
差集，在x中但不在y中的x的元素 |
| setxor1d(x,y) |
异或集 |
使用数组进行文件输入输出
numpy可以在硬盘将数据以文本或者二进制文件的方式进行存储或读取，此刻只讨论二进制存读
|
|
| np.save(filename, arr) |
存储为以.npy为后缀的二进制文件 |
| np.savez(filename, a=arr_a, b=arr_b…) |
以键值字典的方式存储多个数组，读取时，并根据键获得对应数组 |
| np.load(filename) |
读取npy文件，获得一个数组型或者字典型的数据 |
Numpy的线性代数
|
常用的numpy.linalg函数 |
| diag |
将方阵的对角（或非对角）元素作为一维数组返回，或者将一维数组转换成方阵，并且在非对角线上有零点 |
| dot |
矩阵点乘 |
| trace |
计算对角元素和 |
| det |
计算矩阵的行列式 |
| 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 |
求解x的线性系统Ax = b，其中A是方阵 |
| lstsq |
计算Ax=b的最小二乘解 |
伪随机数生成
|
numpy.random函数中的部分函数 |
| 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序，或者返回一个乱序的整数范围内的序列 |
| shuffle |
随机排序一个序列 |
| rand |
从均匀分布中抽样样本 |
| randint |
根据给定的由低到高的范围抽取随机整数 |
| randn |
从均值0方差1的正态分布中抽样 |
| binomial |
从二项分布中抽样 |
| normal |
从正态分布中抽样 |
| bata |
从beta分布中抽样 |
| chisquare |
从卡方分布中抽样 |
| gamma |
从伽马分布中抽样 |
| uniform |
从均值[0.1）分布中抽样 |