NumPy¶
numpy为python提供了数组的支持
import numpy as np
类型¶
一个np数组只能存储相同的一种数据类型，int/float（字符串也是可以的，但是基本不用） 在int数组里修改元素为float会被截断
arr_float = arr.astype(float) 利用.astype()方法转换数组的类型
类似于c/cpp的类型提升，当整数型数组进行除法等涉及到浮点数的运算时，会转换成浮点型数组
打印时，数字之间是空格（列表是逗号）
维度¶
数组的维度信息，就是形状.shape，是一个元组
使用.reshape()方法，传入形状元组，可以在不同维度的数组之间转换
arr1 = np.array([1,2,3,4,5,6])
arr2 = arr1.reshape(2, -1) #两行三列
print(arr2.reshape(-1)) #转回一维数组，或者写(6)
-1，让程序自行计算
创建¶
arr = np.array([1,2,3]) #创建的过程是把列表转换为np数组
arr = np.array( [[1,5,9], [8,8,8]] ) #二维数组，但是依旧传入一个列表
arr = np.arange(start, end, step) #创建递增数组，和range一样左闭右开
np.zeros() np.ones() 创建全0和全1的数组
第一个参数是形状的元组，第二个参数dtype=可以指定float/int
随机数组
np.random.random(shape) 0-1
np.random.randint(start, end, shape) 随机int
np.random.normal(mean, standard_deviation, shape) 正态分布
注意numpy数组进行赋值只是绑定，类似于指针层面的浅拷贝
arr2 = arr1，修改arr2，arr1也会同样被修改
需要拷贝，使用.copy()方法
访问¶
下标[]访问
二维数组一般使用[i,j]的形式访问，[i][j]也可以
切片¶
注意numpy切片得到的不是拷贝，是一个视图，这和py列表不一致
需要创建拷贝就使用arr[:, 0:2].copy()
向量的切片方法和列表一致 对于矩阵的切片，需要用两个参数分别对行列切片
arr = np.arange(20).reshape(4,-1)
# [[ 0 1 2 3 4]
# [ 5 6 7 8 9]
# [10 11 12 13 14]
# [15 16 17 18 19]]
print(arr[1:3, 1:4]) #分别对行[1:3] 列[1:4]切片
# [[ 6 7 8]
# [11 12 13]]
提取行列
切片的时候某个参数不写冒号，就可以提取矩阵的某一行列
比如arr[1, :]就是提取第1行，保留所有列（可以简写为arr[1]）
提取列的时候不会输出n*1的二维数组，而是一维向量
花哨索引¶
允许使用数组作为下标来访问元素，需要使用双层中括号（传入一或多个列表） 返回副本拷贝
arr = np.array([10, 20, 30, 40, 50])
print(arr[[3, 1, 4]]) #按 [3, 1, 4] 的顺序取值 输出: [40, 20, 50]
X = np.arange(12).reshape(3, 4)
# [[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]]
rows = [0, 1, 2]
cols = [2, 0, 3]
print(X[rows, cols]) #取 (0,2), (1,0), (2,3) 三个点 输出: [2, 4, 11]
常用于数据清洗，特别是结合布尔数组的情况下
data = np.array([1, -2, 3, -4, 5])
mask = (data > 0) & (data < 4) #data > 0得到的是一个相同形状的布尔数组
print(data[mask]) #[1, 3]
data[data < 0] = 0
print(data) #[1, 0, 3, 0, 5]
变形¶
.T转置矩阵方法
如果是向量（一维数组），先.reshape(1,-1)转换为1*n的矩阵（二维数组）
两个翻转函数
arr2 = np.flipud(arr) flip up-down上下翻转
np.fliplr left-right 左右
对于向量，只能使用上下翻转（数学上写成列向量）
前面提到的.reshape()方法，传入形状元组
拼接函数
np.concatenate( [arr, arr2], axis=0 )
第二个参数axis是拼接的方向，默认为0在行的方向（行标增加的方向）上拼接
分割
arr1, arr2, arr3 = np.split(arr, [1,3])
第二个参数传入切断位置的列表，代表切断成 0-1 1-3 3-end三部分，同样是左闭右开区间
如果是分割矩阵，第三个参数axis是分割的方向，默认为0，在行的方向进行分割
分割向量得到的是向量，分割矩阵得到的是矩阵，以元组的形式返回
运算¶
使用*进行乘法，是逐元素：
- 数组和系数之间进行运算，运算会作用到每一个元素上
- 数组和数组之间进行运算，也是逐元素运算
比如矩阵乘法是
一般来说数组之间的运算需要形状相匹配，除了
- 向量和矩阵进行运算，向量自动升级为行矩阵
- 行/列矩阵和矩阵进行运算，行/列矩阵自动扩充到匹配的形状，这称之为广播（准确的说，是参与运算时，从最后一个维度开始对齐，缺失维度补 1，各维度取 max）
使用@乘法，才是矩阵乘法，相当于np.dot(arr1,arr2)函数
向量和向量做点积，返回标量；向量与矩阵相乘，返回向量，而不是列/行矩阵的形式；矩阵和矩阵相乘，就算数学上结果是标量，依旧会返回矩阵
常用函数¶
下面都是利用np.func()调用
abs
cos sin tan
exp log 注意log默认是e为底，自然对数
max min argmax argmin sum prod mean std 均值和标准差 对于矩阵，默认是求所有元素的最值/和/积；当给定参数axis=0/1的时候，会按行/列求出最值/和/积的向量 第二部分的函数如果遇到缺失值会报错，这是需要使用nanmin等安全版本
where
返回一个元组，打包符合条件的下标位置数组布尔数组¶
在进行比较运算的时候，返回的就是逐元素比较结果构成的布尔数组
在python中逻辑运算符是and/or/not，而numpy使用的是& | ~
注意添加括号保证运算顺序
对布尔数组，np.sum()被重载为统计True的个数
np.any()和np.all()和python内置类型的用法一样
在前面花哨索引的部分提到过，布尔数组可以作为掩码 注意这样的操作返回的是数组：