ndarray对象基本应用
- 标准的Python中用列表(list)保存一组值，可以当作数组使用。但由于列表的元素可以是任何对象，因此列表中保存的是对象的指针。对于数值运算来说，这种结构显然比较浪费内存和CPU计算。
- Python 提供了array 模块，它和列表不同，能直接保存数值，但是由于它不支持多维数组，无各种运算函数，因此也不适合做数值运算。
- NumPy 的诞生弥补了这些不足，NumPy 提供了两种基本的对象：ndarray（n-dimensional array object）和ufunc（universal function object）。
- ndarray是存储单一数据类型的多维数组，ndarray 中的每个元素在内存中都有相同存储大小的区域。而ufunc 则是能够对数组进行处理的函数。
1 #NumPy生成数组时一般会有一个参数dtype，它的默认值一般为float浮点型。 2 np.array([1, 2, 3, 4]) 3 np.arange(0, 1, 0.1) 4 np.random.randint(0,10,size=(4,5)) 5 # logspace函数和linspace类似，创建等比数列。 6 #下面的例子产生1(10^0)到100(10^2)、有20个元素的等比数列 7 np.logspace(0, 2, 20) 8 9 np.empty((2,3),np.int) #只分配内存，不对其进行初始化 10 # array([[ 32571594, 32635312, 505219724], 11 # [ 45001384, 1852386928, 665972]]) 12 13 np.zeros(4, np.float) #元素类型默认为np.float，因此这里可以省略 14 #array([ 0., 0., 0., 0.]) 15 16 # 使用frombuffer, fromstring, fromfile，fromfunction等函数可以从字节序列、文件创建数组。下面以fromfunction为例: 17 #fromfunction函数的第一个参数为计算每个数组元素的函数，第二个参数为数组的大小(shape)。 18 def func(i): 19 return i%4+1 20 np.fromfunction(func, (10,)) 21 # array([ 1., 2., 3., 4., 1., 2., 3., 4., 1., 2.]) 22 23 # 下面的例子创建一个二维数组表示九九乘法表，输出的数组a中的每个元素a[i, j]都等于func2(i, j)： 24 def func2(i, j): 25 return (i+1) * ( j+1) 26 a = np.fromfunction(func2, (9,9)) 27 # a = array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.], 28 # [ 2., 4., 6., 8., 10., 12., 14., 16., 18.], 29 # [ 3., 6., 9., 12., 15., 18., 21., 24., 27.], 30 # [ 4., 8., 12., 16., 20., 24., 28., 32., 36.], 31 # [ 5., 10., 15., 20., 25., 30., 35., 40., 45.], 32 # [ 6., 12., 18., 24., 30., 36., 42., 48., 54.], 33 # [ 7., 14., 21., 28., 35., 42., 49., 56., 63.], 34 # [ 8., 16., 24., 32., 40., 48., 56., 64., 72.], 35 #[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]]) 36 37 #shape与reshape 38 #可以通过修改数组的shape属性，在保持数组元素个数不变的情况下，改变数组每个轴的长度。 39 a = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) 40 a.shape=4,3 41 #a = array([[ 1, 2, 3],[ 4, 4, 5],[ 6, 7, 7],[ 8, 9, 10]]) 42 a.shape = 2,-1 #当某个轴的元素为-1时，将根据数组元素的个数自动计算此轴的长度，因此下面的程序将数组c的 43 d = a.reshape((2,2)) #使用数组的reshape方法，可以创建一个改变了尺寸的新数组，原数组的shape保持不变. 44 #!!!但是数组a和d其实共享数据存储内存区域，因此修改其中任意一个数组的元素都会同时修改另外一个数组。
astype：astype转换数组对象的类型,会创建一个新的数组，相当于原始数据的复制
Numpy对象的属性
- ndims属性:用于返回秩，即数组的维数。
- shape属性:以 tuple表示的数组形狀，描述了数组对象各个维度的长度。
- size属性：用以查看数组元素总数。
- itemsize属性：以字节为单位，表示返回数组中每一个元素的大小。
- flags属性：表示返回的是对象的内存信息，比如ndarry数组的存储方式，以及是否是其它数组的副本等
与列表通过切片获取的新的数组是原始数组的一个复制，不能通过切片的返回结果来改变原有数组。
对切片表达式的赋值操作将会被扩散到整个选择对区域。
布尔型索引（很6）
通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
1 arr = np.arange(12) .reshape(4,3) 2 ##array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) 3 ##计算arr中大于5的数 4 print(arr>5) 5 ## [[False False False] [False False False] [ True True True] 6 ## [ True True True]] 7 print(arr[arr>5]) 8 ## [ 6 7 8 9 10 11] 9 ##计算arr中不等于5的数 10 print(arr[arr!=5]) 11 ## [ 0 1 2 3 4 6 7 8 9 10 11]
切片索引和花式索引
a = np.arange(9,1,-1) b = a[2:5] c = a[[1,5,3]] #一次传入多个索引数组，返回的将是一个一维数组。要想选取的矩阵行列的子集是矩形区域的形式，就要使用np.ix_函数，应用ix_函数实现箱卡儿积的映射关系。 arr = np.arange(32) .reshape(8,4) brr = arr[np.ix_([1,5,7,2],[0,3,1,2])] #np.ix_函数将数组[1,5,7,2]和数组[0,3,1,2] 产生笛卡儿积，得到如下数据： #(1,0),(1,3),(1,1),(1,2), #(9,0),(5,3),(5,1),(5,2), #(7,0),(7,3),(7,1),(7,2), #(2,0),(2,3),(2,1),(2,2)
内置函数
NumPy对象中常见函数有字符串函数、统计函数、数学函数、算数函数、排序及筛选函数等
字符串函数____numpy.char.函数名()
add()函数依次对两个数组的元素进行字符串连接
1 np.char.add(['hello'],['world']) 2 # array(['helloworld'], dtype='<U10') 3 np.char.add(['hello','ab'],['world','cd']) 4 # array(['helloworld', 'abcd'], dtype='<U10')
multiply()函数返回按元素多重连接后的字符串
center()函数可以将字符串居中，并使用指定字符填充在字符串两侧
1 np.char.multiply('Hi',5)
2 # array('HiHiHiHiHi', dtype='<U10')
3 np.char.center('Hi',10,fillchar='-')
4 # array('----Hi----', dtype='<U10')
capitalize()函数将字符串的第一个字母转换为大写
title()函数将字符串每个单词的第一个字母转换为大写
lower()函数将数组中的每个元素转换为小写
upper()函数将数组中的每个元素转换为大写
split()函数对字符串进行分隔并返回数组，可以指定分隔符进行分隔，默认情况下的分隔符为空格
splitlines()函数与split()相似，不同的是以换行符作为分隔符来分隔字符串，并返回数组，\n、\r、\r\n都可用作分隔符
strip()函数用于移除开头或结尾处的特定字符
join()函数通过指定分隔符来连接数组中的元素或字符串
replace()函数将使用新字符串替换原字符串中的所有子字符串
encode()函数对数组中的每个元素调用进行编码。默认为utf-8
decode()函数对编码的元素进行解码
1 print(np.char.capitalize('i love you'))
2 print(np.char.title('i love you'))
3 print(np.char.upper('i love you'))
4 '''
5 I love you
6 I Love You
7 I LOVE YOU
8 '''
9 print(np.char.strip('i love you','i'))
10 print(np.char.join(':','love'))
11 print(np.char.replace('aabbccdd','cc','pp'))
12 '''
13 love you #这里空格还保留着
14 l:o:v:e
15 aabbppdd
16 '''
17 arr = np.char.encode('love','cp500')
18 print(arr)
19 print(np.char.decode(arr,'cp500'))
20 '''
21 b'\x93\x96\xa5\x85'
22 love
23 '''
统计函数
NumPy 有很多非常实用的统计函数，用于从数组给定的元素中按照指定轴查找平均数、最小值、最大值、百分标准差和方差等。
求和函数
sum()计算数组元素之和，也可以对列表、元组等和数组类似的序列进行求和。当数组是多维时，它计算数组中所有元素的和。
1 a =np.random.randint(0,10,size=(4,5)) 2 ''' 3 array([[7, 1, 9, 6, 3], 4 [5, 1, 3, 8, 2], 5 [9, 8, 9, 4, 0], 6 [9, 5, 1, 7, 0]]) 7 ''' 8 np.sum(a) 9 # 97
如果指定axis参数，求和运算将沿着指定的轴进行。在上面的例子中，数组a的第0轴（列）长度为4, 第1轴（行）长度为5。如果axis参数为1，就对每行上的5个数求和，所得的结
果是长度为 4的一维数组。如果参数axis为0,就对每列上的4个数求和，结果是长度为5的一维数组。 即结果数组的形状是原始数组的形状除去其第axis个元素。
1 np.sum(a,axis=1) 2 # array([26, 19, 30, 22]) 3 np.sum(a, axis=0) 4 # array([30, 15, 22, 25, 5])
- sum()默认使用和数组的元素类型相同的累加变量进行计算，如果元素类型为整数，就使 用系统的默认整数类型作为累加变量。
- 在32位系统中，累加变量的类型为32 bit整型。整数累加时，存在溢出问题，即数组元素的总和超过了累加变量的取值范围。
- 很大单精度浮点数类型累加时，存在精度不够的问题。可以通过dtype 参数指定累加变量的类型解决。
平均值
mean()用于求数组的平均值（期望），也可以通过axis参数指定求平均值的轴，通过out参数指定输出数组。和sum()不同的是，对于整数数组，它使用双精度浮点数进行计算。其他类型的数组，则使用和数组元素类型相同的累加变量进行计算。
1 np.mean(a,axis=1) #整数数组使用双精度浮点数进行计算 2 # array([ 5.2，3.8，6. , 4.4]) 3 np.mean(b) #单精度浮点数使用单精度浮点数进行计算 4 # 1.1109205 5 np.mean(b, dtype=np.double) #用双稍度浮点数计算平均值 6 # 1.1000000238418579
np.average(X, axis=0,weights=w)（加权平均值）也可以对数组进行平均计算。无out和dtype参数，但有一个指定每个元素权值的weights参数。
1 X = np.array([[.9, .1],[.8, .2],[.4, .6]]) 2 w = np.array([.2, .2, .6]) 3 print(w.dot(X)) 4 print(np.average(X, axis=0, weights=w))
最值
min()和max() 计算数组的最大值和最小值。
ptp()计算最大值和最小值之间的差。
它们都有axis和out两个参数。这些参数的用法和sum()相同。
argmax()和argmin()求最大值和最小值的下标。如果不指定axis参数，就返回平坦化之后的数组下标。
1 np.min(a2) 2 # 1.0 3 np.max(a2) 4 # 9.0 5 np.ptp(a2) 6 # 8.0 7 np.argmax(a) #找到数组a中最大值的下标，有多个最值时得到第一个最值的下标 8 # 2 9 a.ravel()[2] #求平坦化之后的数组中的第二个元素 10 # 9
axis参数表示沿着指定的轴计算最大值的下标。下面的结果表示，在数组 a中，第0行中最大值的下标为2,第1行中最大值的下标为3下面的语句，并使用idx选择出每行的最大值:
1 idx = np.argmax(a, axis=1) 2 # array([2, 3, 0, 0]) 3 a[xrange(a.shape[0]),idx] 4 # array([9, 8, 9, 9])
argsort()返回数组的排序下标，axis参数的默认值为-1。
1 idx = np.argsort(a) 2 ''' 3 array([[1, 4, 3, 0, 2], 4 [1, 4, 2, 0, 3], 5 [4, 3, 1, 0, 2], 6 [4, 2, 1, 3, 0]]) 7 '''
-------------待补充，P66-----------------
标签：10,函数,元素,数组,np,array,Numpy From： https://www.cnblogs.com/silvia-cloud2/p/16833298.html