Python之numpy基本指令
https://blog.csdn.net/mmm305658979/article/details/78745637
# -*- coding: utf-8 -*- 多加练习才是真
import numpy as np
from numpy import newaxis
from numpy import pi
import matplotlib.pyplot as plt
from numpy import ogrid
#生成数组（矩阵）
#a = np.array([[1,2,3],[4,5,6]]) #2*3
#a = np.array([1,2,3]) #3*1
#a = np.ones(16,1); a = np.cumsum(a) #生成16*1矩阵，然后累加得到递增值为1-16的矩阵，作用同下
#a = np.arange(15).reshape(3,5) #生成0开始递增的15个数，然后分成3行5列矩阵
#a = np.arange(24).reshape(2,3,4) #生成2*3*4 3维数组
#np.set_printoptions(threshold='nan') #矩阵元素数量过多会自动省略显示，它可以取消省略显示
#c = np.array([1,2,3])
#c = np.arange(10,100,4) #10,14,18.....98；小数间隔也可
#c = np.linspace(0,2,9) #生成0-2等间隔的9个数
#c = np.ogrid[-100:100:3] #生成-100 - 100等间隔三个数
#c = np.zeros((4,4)) #生成4*4全0矩阵
#c = np.ones((4,4),dtype=float) #生成4*4全1矩阵,浮点型
#c = np.eye(2) #生成单位矩阵[[1,0],[0,1]]
#c = np.empty((2,3)) #随机数，不太懂
#c = np.random.random((2,3)) # √生成随机数矩阵,float
#c = np.random.noral(mu,sigma,1000) #生成位置参数和尺寸参数确定的1000个数据
#矩阵的操作
#print(np.sin(1))
#a = np.ravel(a) # （51，1）的array可以变为（51，）
#np.mat(a) #将a变为矩阵
#b = np.floor(a) #矩阵a中没个元素去掉小数点后的数并保存为float格式
#print(a.ndim) #指的是二维矩阵即m*n的矩阵（数组），亦称为秩（rank）
#np.trace(a) #矩阵的迹，对角线上数之和
#print(a.size) #矩阵所包含元素个数
#print(a.shape) #矩阵所包含元素形状如（3，4）
#print(a.reshape(2,-1)) #变形为2行，列数自动计算,a本身不变
#a.resize(16,1) #a本身变形为16行1列,等于a.shape=16,-1
#print(a.T) #矩阵的转置,1维向量并且没加入newaxis时失效
#np.linalg.inv(a) #矩阵的逆矩阵，a*a-1 = 1
#print(a.data) #实际数组元素的缓冲区
#a = np.array([[1,0],[2,3]])
#b = np.array([[2,4],[1,5]])
#c = a*b #a和b对应位置相乘,与matlab中相反
#c = a.dot(b) #等同于c = np.dot(a,b),倆矩阵相乘
#a*=b,a+=b,a-=b #这种运算a,b必须同为整型或浮点型，而a+b(np.add(a,b))则可以int+float
#np.sum([[0, 1], [0, 5]], axis=1) #横着加
#c = a + b #a(4*1),b(1*4) c(4*4)
#c = np.exp(1) #返回e（2.718）的a次方
#c = a**2 #a的平方
#c = a.sum(axis = 0 or 1) or a.max() or a.min #矩阵（0对应每列之和，1对应每行之和）的和，最大值与最小值
#c = a.argmax(axis=0) #返回矩阵每列最大值对应索引号
#a = np.arange(10)
#a[0:6:2] = 100 #0,2,4位置数变成100
#np.sort(a, axis = '-1', kind = 'quicksort') #排序，axis为对第几行排序
#print(a[::-1]) #逆序排列
#print(np.all([[True, False], [True, True]])) #与,返回False
#print(np.any([[True, False], [True, True]])) #或
#ax,bx,cx = np.ix_(a,b,c) #把a,b,c一维向量变成(x,1,1)(1,x,1)(1,1,x)维度方便他们相乘等
#def f(x,y):
# return x+y
#a = np.fromfunction(f,(3,4)) #生成3*4矩阵，每个位置值由x和y计算后得到
#a[:,1:3] #返回矩阵a所有行,第2和3列
#矩阵的合并拆分
#print(a[-1]) #返回a最后一行，等于a[-1,:]
#b = [row for row in a] #row表示每一行，迭代输出每一行
#b = [element for element in a.flat] #遍历输出矩阵每一个元素,类似b = a.ravel()
#c = np.vstack((a,b)) #竖向合并a,b,等于np.row_stack((a,b))
#c = np.hstack((a,b)) #横向合并a,b，等于np.column_stack((a,b))
#c = np.hsplit(a,4) #矩阵a分成四等分1（列）|2|3|4
#c = np.vsplit(a,4) #矩阵a分成四等分1(行）/2（行）/3/4
#c = np.hsplit(a,(1,3)) #矩阵a的第2行和第三行一起被分出来
#newaxis对比（非1维矩阵（n*1）无需用，1维需用不然转置合并等都会错误）
#a = np.array([1,2,3])
#b = np.array([[4,5,6]])
#print(a,b)
#c = a[:,newaxis]
#d = b[:,newaxis]
#print(c,d)
#e = np.hstack((a,b))
#g = np.hstack((c,d))
#print(e,g)
#r_与c_ 向量连接
#print(np.r_[np.array([1,2,3]), 0, 0, np.array([4,5,6])]) #r_用于连接行向量
#print(np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]) #c_用于连接纵向量
#深浅拷贝
#b = a #b变化a跟着变化，简单赋值并没有复制数组。 b is a √
#b = a.view() or a[:] #浅拷贝，b和a共享共同的值但是可以有不同的形状。 b is a ×，b.base is a √
#b = a.copy() #深拷贝，b和a互相独立。b is a ×，b.base is a ×
#数据的保存和读取
#np.save("a.npy", a) #括号内首先确定保存的文件名，再确认要保存的数据(单个)
#c = np.load( "a.npy" ) #读取数据
#np.savetxt("a.txt", a) #只能保存一个数组
#np.loadtxt("a.txt")
#np.savez("biubiu.npz",a,b,c)
#r = np.load("biubiu.npz") #读入时变量列表看不到，输入r["arr_0"]返回a，也可以import导入文件
#矩阵元素的查找
#np.searchsorted([1,2,3,4,5], [-10, 10, 2, 3]) #二分查找输出-10等应该插入的位置
#b=np.nonzero(a) #矩阵非0元素位置,二维矩阵a则返回两个向量对应横纵坐标
#b=np.where(a>5) #矩阵中大于5的元素的位置
#a = np.array([1,2,3,4])
#b = np.array([True,False,True,False])
#print(a[b])
#print(a[a>2])
---------------------
作者：黑山白雪m
来源：CSDN
原文：https://blog.csdn.net/mmm305658979/article/details/78745637?utm_source=copy
版权声明：本文为博主原创文章，转载请附上博文链接！
以上是 Python之numpy基本指令 的全部内容， 来源链接： utcz.com/z/386889.html
