import numpy as np
Contents
- 初始化数组
- 数组的取值与赋值
- 数组的数值运算
- 广播机制（Broadcasting）
- 逻辑运算
- 其他高级的 ndarray 处理
- 文件的输入输出
1. 初始化数组
a = np.array([1,2,3]) # 将 list 类型数组转换为ndarray数组， 也可以通过 dtype 参数确定数组中元素的数据类型
type(a) # 查看 a 的类型，此处为 numpy.ndarray, a.dtype 返回 a 中元素的类型，有 int32， float64, int64， np.string_等
a[0] # 可以通过下标的 index 来访问 ndarray 中的元素, 如二维数组可以通过 a[i][j] 或者 a[i,j] 的形式进行访问
a.shape # 查看 a 的形状，以 tuple 的形式返回，此处返回 (3，)
a.astype(np.float64) # 复制数组并转换数据类型，将 float 转换为 int 时小数部分被舍弃，当 dtype = np.string_ 时，可以转换为相应的数值
其他内置创建数组的函数：
| 函数 | 说明 |
|---|---|
| zeros((2,3)) | 生成 2*3 的 array |
| ones((1,2)) | 生成 1*2 的 array |
| full((2,3), 8) | 生成 2*3 的 array, 并把元素都填充成8 |
| eye(3) | 生成 3*3 的单位阵 |
| random.random((2,3)) | 生成 2*3 的随机 array， 随机值在[0,1)之间 |
| random.randn((2,3)) | 生成 2*3 的随机 array， 随机值符合正态分布 |
| empty((2,3)) | 生成 2*3 的空 array, 其中元素是没有经过初始化的随机值 |
| empty_like(a) | 生成与 a 形状相同的未经过初始化的空array |
| arange(5) | 生成 array： [0,1,2,3,4] |
2.数组的取值与赋值
a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
a[0:2,2:4] # 对 a 进行切片得到的是一个 2*2 的数组
a[1,:] # 切片得到 [5,6,7,8]
a[[1], :] # 切片得到 [[5,6,7,8]]
a[[0,1,2],[0,1,0]] # 取出 a[0][0], a[1][1], a[2][0]中的元素，构成一个一维数组，结果为 [1, 6, 9]
bool_index = (a > 3) # 此时 bool_index 为与 a 形状相同的数组，a 中对应元素满足右侧条件的地方在 bool_index 中为 True， 否则为 False
a[a>2] # 将 a 中大于2的元素筛选出来组成以为数组返回。
3. 数组的数值运算
a = np.array([[1,2,3],[4,5,6]], dtype=np.float64)
b = np.array([[7,8,9],[10,11,12]], dtype=np.float64)
逐个元素做运算（elements wise)
| 方法 | 说明 |
|---|---|
| np.add(a,b) 或 a+b | a 与 b 中逐个元素做加法 |
| np.subtract(a,b) 或 a-b | a 与 b 中逐个元素做减法 |
| np.multiply(a,b) 或 a*b | a 与 b 中逐个元素做乘法 |
| np.divide(a,b) 或 a/b | a 与 b 中逐个元素做除法 |
| np.sqrt(a) | 对 a 中逐个元素求平方根 |
矩阵运算
a.dot(b) 或 np.dot(a,b) # 当 a,b 为同等长度的一维数组时，求的是 a,b 两个的向量内积， 返回一个数值； 当 a,b 为多维数组且满足矩阵乘法的要求是，求的是矩阵乘法
a.shape # 以 tuple 的形式返回 a 的形状
a.T # 对 a 矩阵进行转置，1维的数组转置还是自己
b.transpose((0,2,1)) # 加入此处 b 为3维数组，（0,2,1）表示将1,2两维进行装置
b.swapaxes(1,2) # 也能达到将 b 数组的1,2两维进行转置的效果
a.reshape(2,3,4) # 将 a 转换成 234 形状的数组,在某一维写 -1，numpy 会自动计算出正确的维度。
np.sum(a) 或 a.sum() # 求 a 中所有元素的和，返回一个数值；
若在括号里加入 axis=0或1，为0时表示对 a 中元素每一列分别求和，并放回一个长度与a的列数相等的1维数组；axis为1时表示对 a 中元素每一行分别求和，并放回一个长度与a的行数相等的1维数组np.mean(a) 或 a.mean() #求平均值，与上一条 sum() 的用法类似
np.cumsum(a) 或 a.cumsum() # 累计求和，例 a = np.array([[1,2,3],[4,5,6]]),结果为 [1,3,6,10,15,21]。当括号内有 axis 时， 为0时表示对每一个列分别累计求和， 结果为 [[1,2,3],[5,7,9]]; 为1时表示对每一行分别进行累计求和， 结果为 [[1,3,6],[4,9,15]]
np.cumprod(a) 或 a.cumprod() # 累计求积， 与上一条 cumsum() 的用法一致
a.sort() # 对 a 的最后一个维度上的数据进行排序， 在括号里加入数字 0 或 1 即可在指定的维度上进行排序
4. 广播机制（Broadcasting）
a = np.array([[1,2,3,4],[5,6,7,8]])
b = np.array([2,4,6,8])
a+b # 结果是[[3,6,9,12],[7,10,13,16]]
比如要对 a,b 进行 逐个元素的求和操作，由于 a,b 的形状不相同，所以会启动广播机制。numpy 允许我们在不需要对 b 进行多次拷贝的情况下完成计算。 31 的array与 12 的array相加，得到的是 3*2 的array。broadcasting 会逐个比较两个array的形状，如果不相等时，将维数是1的array进行拷贝拓展至shape匹配。
5. 逻辑运算
a = np.array([1,3,5,7,9])
b = np.array([2,4,6,8,10])
c = np.array([True, False, True, True, Flase])
np.where(c, a, b) # 对于c中为True的位置选择a中元素，False的位置选择b中元素。结果为 [1, 4, 5, 7, 10]
np.where(a>5, 1, -1) # 对于a中元素满足条件(大于5)的位置填1，不满足条件的填-1
6. 其他高级的 ndarray 处理
| 函数 | 使用示例 | 功能 |
|---|---|---|
| ravel() | a.ravel(), np.ravel(a) | 将多维的数组转换为一维的数组 |
| concatenate() | np.concatenate([a,b], axis=0) | 把a,b连接起来，axis=0时，在行的维度上合并；axis=1时，在列的维度上合并 |
| vstack() | np.vstack((a,b)) | 在垂直的方向堆叠 a,b 数组 |
| hstack() | np.hstack((a,b)) | 在水平的方向堆叠 a,b 数组 |
| split(ary, indices_or_section, axis=0) | np.split(a,3), np.split(a, [3,5,6,10]) | 把数组按第一维度上划分成几个部分，或按list中把第一维度上的索引进行切分 |
| c_ | np.c_[a,b] | 将 a,b 按列进行堆叠 |
| c_ | np.c_[1:3, -2:0] | 切片直接装换为数组，结果为 [[1,-2],[2,-1]] |
| r_ | np.r_[a,b] | 将 a,b 按行进行堆叠 |
| c_ | np.r_[1:3, -2:0] | 切片直接装换为数组，结果为 [1,2,-2,-1] |
| repeat(a, repeats, axis=None) | np.repeat(a,3),np.repeat(a,[2,3]) | 将a中的元素（复制后的元素排列在原来元素的后面）按照axis重复若干遍，或a中对应的元素在axis维度上重复list中对应的遍数 |
| tile(a, repeats) | np.tile(a,3), np.tile(a,[4,2]) | 将a最大维度上（或对应的维度上）整体元素堆叠相应的次数 |
7. 文件的输入输出
data = np.loadtxt(“file.txt”, delimiter=’,’) # 读取txt文件作为数组
np.save(“some_array”, a) # 保存文件，其中a是一个数组, 当文件名为字符串时，系统会自动附上 .npy 的文件拓展名
np.load(“some_array.npy”) # 读取文件中的数组
np.savez(“array_archive.npz”, a=array1, b=array2) #将多个数组一起压缩保存
arch = np.load(“array_archive.npz”) # 得到的 arch 是一个字典，可以通过 arch[‘a’],arch[‘b’] 访问上一条所保存的数组