为什么要用numpy

??? Python中提供了list容器，可以当作数组使用。但列表中的元素可以是任何对象，因此列表中保存的是对象的指针，这样一来，为了保存一个简单的列表[1,2,3]。就需要三个指针和三个整数对象。对于数值运算来说，这种结构显然不够高效。
??? Python虽然也提供了array模块，但其只支持一维数组，不支持多维数组(在TensorFlow里面偏向于矩阵理解)，也没有各种运算函数。因而不适合数值运算。
??? NumPy的出现弥补了这些不足。

（——摘自张若愚的《Python科学计算》）

import numpy as np

?

数组创建

## 常规创建方法
a = np.array([2,3,4])
b = np.array([2.0,3.0,4.0])
c = np.array([[1.0,2.0],[3.0,4.0]])
d = np.array([[1,2],[3,4]],dtype=complex) # 指定数据类型
print a, a.dtype
print b, b.dtype
print c, c.dtype
print d, d.dtype

?

[2 3 4] int32
[ 2.? 3.? 4.] float64
[[ 1.? 2.]
?[ 3.? 4.]] float64
[[ 1.+0.j? 2.+0.j]
?[ 3.+0.j? 4.+0.j]] complex128

?

数组的常用函数
print np.arange(0,7,1,dtype=np.int16) # 0为起点，间隔为1时可缺省(引起歧义下不可缺省)
print np.ones((2,3,4),dtype=np.int16) # 2页，3行，4列，全1，指定数据类型
print np.zeros((2,3,4)) # 2页，3行，4列，全0
print np.empty((2,3)) #值取决于内存
print np.arange(0,10,2) # 起点为0，不超过10，步长为2
print np.linspace(-1,2,5) # 起点为-1，终点为2，取5个点
print np.random.randint(0,3,(2,3)) # 大于等于0，小于3，2行3列的随机整数

?

[0 1 2 3 4 5 6]
[[[1 1 1 1]
? [1 1 1 1]
? [1 1 1 1]]

?[[1 1 1 1]
? [1 1 1 1]
? [1 1 1 1]]]
[[[ 0.? 0.? 0.? 0.]
? [ 0.? 0.? 0.? 0.]
? [ 0.? 0.? 0.? 0.]]

?[[ 0.? 0.? 0.? 0.]
? [ 0.? 0.? 0.? 0.]
? [ 0.? 0.? 0.? 0.]]]
[[? 1.39069238e-309?? 1.39069238e-309?? 1.39069238e-309]
?[? 1.39069238e-309?? 1.39069238e-309?? 1.39069238e-309]]
[0 2 4 6 8]
[-1.?? -0.25? 0.5?? 1.25? 2.? ]
[[1 0 1]
?[0 1 0]]

?

?类型转换
print float(1)
print int(1.0)
print bool(2)
print float(True)

??

1.0
1
True
1.0

??

数组输出

????从左到右，从上向下
??? 一维数组打印成行，二维数组打印成矩阵，三维数组打印成矩阵列表

print np.arange(1,6,2)
print np.arange(12).reshape(3,4) # 可以改变输出形状
print np.arange(24).reshape(2,3,4)# 2页，3行，4页

??

[1 3 5]
[[ 0? 1? 2? 3]
?[ 4? 5? 6? 7]
?[ 8? 9 10 11]]
[[[ 0? 1? 2? 3]
? [ 4? 5? 6? 7]
? [ 8? 9 10 11]]

?[[12 13 14 15]
? [16 17 18 19]
? [20 21 22 23]]]

?

基本运算

## 元素级运算
a = np.array([1,2,3,4])
b = np.arange(4)
print a, b
print a-b
print a*b
print a**2
print 2*np.sin(a)
print a>2
print np.exp(a) # 指数

???

[1 2 3 4] [0 1 2 3]
[1 1 1 1]
[ 0? 2? 6 12]
[ 1? 4? 9 16]
[ 1.68294197? 1.81859485? 0.28224002 -1.51360499]
[False False? True? True]
[? 2.71828183?? 7.3890561?? 20.08553692? 54.59815003]

?

## 矩阵运算（二维数组）
a = np.array([[1,2],[3,4]]) # 2行2列
b = np.arange(6).reshape((2,-1)) # 2行3列
print a,b
print a.dot(b) # 2行3列

?

[[1 2]
?[3 4]] [[0 1 2]
?[3 4 5]]
[[ 6? 9 12]
?[12 19 26]]

?

## 非数组运算，调用方法
a = np.random.randint(0,5,(2,3))
print a
print a.sum(),a.sum(axis=1),a.sum(0) # axis用于指定运算轴（默认全部，可指定0或1）
print a.min(),a.max(axis=1),a.mean(axis=1) # axis = 0: 按列计算，axis = 1: 按行计算
print a.cumsum(1) # 按行计算累积和

?

[[2 3 3]
?[0 2 1]]
11 [8 3] [2 5 4]
0 [3 2] [ 2.66666667? 1.??????? ]
[[2 5 8]
?[0 2 3]]

?

索引，切片，迭代

## 一维数组
a = np.arange(0,10,1)**2
print a
print a[0],a[2],a[-1],a[-2] # 索引从0开始，-1表示最后一个索引
print a[2:5],a[-5:-1] # 包括起点，不包括终点
a[-1] = 100; print a # 赋值
a[1:4]=100; print a # 批量赋值
a[:6:2] = -100; print a # 从开始到第6个索引，每隔一个元素（步长=2）赋值
print a[: :-1];print a # 将a逆序输出，a本身未发生改变
b = [np.sqrt(np.abs(i)) for i in a]; print b # 通过遍历赋值

??

[ 0? 1? 4? 9 16 25 36 49 64 81]
0 4 81 64
[ 4? 9 16] [25 36 49 64]
[? 0?? 1?? 4?? 9? 16? 25? 36? 49? 64 100]
[? 0 100 100 100? 16? 25? 36? 49? 64 100]
[-100? 100 -100? 100 -100?? 25?? 36?? 49?? 64? 100]
[ 100?? 64?? 49?? 36?? 25 -100? 100 -100? 100 -100]
[-100? 100 -100? 100 -100?? 25?? 36?? 49?? 64? 100]
[10.0, 10.0, 10.0, 10.0, 10.0, 5.0, 6.0, 7.0, 8.0, 10.0]

??

## 多维数组
a = np.arange(0,20).reshape((4,5))
print a, a[2,3], a[:,1], a[1:4,2], a[1:3,:]
print a[-1] # 相当于a[-1,:],即索引少于轴数时，确实的索引默认为整个切片

b = np.arange(0,24).reshape((2,3,4))
print b,b[1] # 相当于b[1,:,:] 和b[1,...]
print '-------------------'
for row in a:
??? print row # 遍历以第一个轴为基础

?

[[ 0? 1? 2? 3? 4]
?[ 5? 6? 7? 8? 9]
?[10 11 12 13 14]
?[15 16 17 18 19]] 13 [ 1? 6 11 16] [ 7 12 17] [[ 5? 6? 7? 8? 9]
?[10 11 12 13 14]]
[15 16 17 18 19]
[[[ 0? 1? 2? 3]
? [ 4? 5? 6? 7]
? [ 8? 9 10 11]]

?[[12 13 14 15]
? [16 17 18 19]
? [20 21 22 23]]]

?[[12 13 14 15]
?[16 17 18 19]
?[20 21 22 23]]
-------------------
[0 1 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]

??

形状操作

a = np.floor(10*np.random.random((3,4)))
print a, a.shape #输出a的形状
print a.ravel() # 输出平坦化后的a（a本身不改变）
a.shape = (6,2); print a # 改变a的形状
print a.transpose() # 输出a的转置

?

[[ 0.? 4.? 3.? 2.]
?[ 1.? 1.? 3.? 3.]
?[ 4.? 4.? 6.? 5.]] (3, 4)
[ 0.? 4.? 3.? 2.? 1.? 1.? 3.? 3.? 4.? 4.? 6.? 5.]
[[ 0.? 4.]
?[ 3.? 2.]
?[ 1.? 1.]
?[ 3.? 3.]
?[ 4.? 4.]
?[ 6.? 5.]]
[[ 0.? 3.? 1.? 3.? 4.? 6.]
?[ 4.? 2.? 1.? 3.? 4.? 5.]]

?

##?补充：reshape和resize
a = np.array([[1,2,3],[4,5,6]])
b = a
a.reshape((3,2))# 不改变数组本身的形状
print a
b.resize((3,2))# 改变数组本身形状
print b

??

[[1 2 3]
?[4 5 6]]
[[1 2]
?[3 4]
?[5 6]]

---------------------

? 在numpy模块中，我们经常会使用resize 和 reshape,在具体使用中，通常是使用resize改变数组的尺寸大小，使用reshape用来增加数组的维度。

1.resize

之前看到别人的博客说，resize没有返回值，其实这取决于你如何使用resize,resize有两种使用方式，一种是没有返回值的，直接对原始的数据进行修改，还有一种用法是有返回值的，所以不会修改原有的数组值。

1.1有返回值，不对原始数据进行修改

??? import numpy as np
??? X=np.array([[1,2,3,4],
????????????????? [5,6,7,8],
????????????????? [9,10,11,12]])
??? ?
??? X_new=np.resize(X,(3,3)) # do not change the original X
??? print("X:\n",X)? #original X
??? print("X_new:\n",X_new) # new X
??? ?
??? >>
??? X:
???? [[ 1? 2? 3? 4]
???? [ 5? 6? 7? 8]
???? [ 9 10 11 12]]
??? X_new:
???? [[1 2 3]
???? [4 5 6]
???? [7 8 9]]

1.2?无返回值，直接修改原始数组的大小

??? import numpy as np
??? X=np.array([[1,2,3,4],
????????????????? [5,6,7,8],
????????????????? [9,10,11,12]])
??? ?
??? X_2=X.resize((3,3))??#change the original X ,and do not return a value
??? print("X:\n",X)? # change the original X
??? print("X_2:\n",X_2) # return None
??? ?

??? ?
??? X:
???? [[1 2 3]
???? [4 5 6]
???? [7 8 9]]
??? X_2:
???? None

2.reshape

给数组一个新的形状而不改变其数据

??? import numpy as np
??? X=np.array([1,2,3,4,5,6,7,8])
??? ?
??? X_2=X.reshape((2,4)) #retuen a 2*4 2-dim array
??? X_3=X.reshape((2,2,2)) # retuen a 2*2*2 3-dim array
??? ?
??? print("X:\n",X)
??? print("X_2:\n",X_2)
??? print("X_3:\n",X_3)
??? ?
??? >>
??? X:
???? [1 2 3 4 5 6 7 8]
??? X_2:
???? [[1 2 3 4]
???? [5 6 7 8]]
??? X_3:
???? [[[1 2]
????? [3 4]]
??? ?
???? [[5 6]
????? [7 8]]]

cs