python 《numpy》

import numpy as np

创建一个矩阵

array = np.array([[1, 2, 3],
                  [3, 2, 1]])

print(array)
# [[1 2 3]
#  [3 2 1]]

print('array dim:', array.ndim)  # 显示几维

shape 矩阵的形状

print('shape:', array.shape)  # 显示几行几列

设置元素的类型

a = np.array([1, 2, 3], dtype=np.float)

print(a.dtype)
# float64

有时候我们会生成矩阵

# ####### 生成全部为0的矩阵 #########
zero = np.zeros((3, 4), dtype=int)
print(zero)
# [[0 0 0 0]
#  [0 0 0 0]
#  [0 0 0 0]]
# ########生成全部为1的矩阵 ###############
ones = np.ones((3, 5))
print(ones)

# [[1. 1. 1. 1. 1.]
#  [1. 1. 1. 1. 1.]
#  [1. 1. 1. 1. 1.]]

# ######### reshape #####################
_range = np.arange(20).reshape((5, 4))
print(_range)
#[[ 0  1  2  3]
# [ 4  5  6  7]
# [ 8  9 10 11]
# [12 13 14 15]
# [16 17 18 19]]

# ########### 线段 ###################
linplace = np.linspace(0, 10, 6)
print(linplace)

线段矩阵，表示从0到10的闭区间也就是11个数，取6个数出来

2.矩阵的分隔

import numpy as np

a = np.array([[0, 1, 2],
             [2, 3, 4]])
b = np.arange(0, 6).reshape([3, 2])

print(a)
print(b)


print(a > 3)  # 每个元素都判断一边是不是满足条件不满足返回false，满足返回trueprint(a+b)  # 加法减法都一样print(a*b)  # 乘法 对应位置相乘print('########################')print(np.sin(a))  # sin cos tan都可以（每个位置分别sin ...）print(np.dot(a, b))  # 矩阵相乘 （）# 还有一种表达方式为 a.dot(b)


x = np.random.random([2, 4])  # 随机生成一个在0到1之间的x
print(x)
print(x.sum(axis=0))  # 全部元素的和  axis等于0在每一列寻找 等于1在每一行中寻找
print(x.max())  # 最大值
print(x.min())  # 最小值

print(np.argmin(a))  # 返回最小值的索引
print(a.argmax())  # 返回最大值的索引
print(np.average(a))  # 这样也可以返回平均值 但是这个不能a.median()
print(a.mean())  # 返回平均值 当然 np.argmean()也可以
print(np.median(a))  # 中位数 这个不能 a.median()
print(np.cumsum(a))  # 元素个数相同，每个元素是之前的累加
print(np.diff(a))  # 两个元素之间的差
print(np.nonzero(a))  # 返回两个数列分别表示行，列
print(np.sort(a))  # 排序
print(np.transpose(a))  # 转置
print(a.T)  # 转置
print(np.clip(a, 5, 9))  # 所有小于五的数都设置为5 大于9的数变为9

3.矩阵的索引

# 什么a[0] a[0][1] for row in a 的我就不讲了，反正也会
# 其实a[0][1] 也可以表示为a[0, 1]

for row in a:
    print(row)   # 打印行

for column in a.T:
    print(column)  # 打印列

# 最后依然说一些关于迭代输出的问题：  
A = np.arange(3, 15).reshape((3, 4))

print(A.flatten())
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])

for item in A.flat:
    print(item)

4.矩阵的分割

import numpy as np

A = np.arange(12).reshape((3, 4))

X = np.split(A, 3, axis=0)  # 横这分割
x = np.vsplit(A, 3)  # 横这分割
Y = np.split(A, 4, axis=1)  # 列着分割
y = np.hsplit(A, 4)  # 列着分割
print(type(A))
# <class 'numpy.ndarray'>
print(X)
# [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
print(type(X))
# <class 'list'>


Z = np.array_split(A, 5, axis=1)  # 不对等分割
print(A)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]
print(Z)
# [array([[0],
#        [4],
#        [8]]), array([[1],
#        [5],
#        [9]]), array([[ 2],
#        [ 6],
#        [10]]), array([[ 3],
#        [ 7],
#        [11]]), array([], shape=(3, 0), dtype=int32)]

5.矩阵的合并

import numpy as np
A = np.array([1, 2, 3])
print(A.shape) # 此时A不是矩阵属性，只是一个列表属性
# (3,)
print(A.T)      # 所以转置无效
# [1 2 3]
# 需要变为矩阵在来转置
# ######### 把a变成矩阵
print(A[np.newaxis, :].shape)
# (1, 3)
B = np.array([5, 6, 7])
C = np.vstack((A, B))  # 上下合并
D = np.hstack((A, B))  # 左右合并
print(C)
# [[1 2 3]
#  [5 6 7]]
print(D)
# [1 2 3 5 6 7]
print(C.T)
# [[1 5]
#  [2 6]
#  [3 7]]