numpy 库的使用
文档地址
默认规则:
import numpy as np
列表：
标准Python的列表(list)中，元素本质是对象。如：L = [1, 2, 3]，需要3个指针和三个整数对象，对于数值运算比较浪费内存和CPU。
因此，Numpy提供了ndarray(N-dimensional array object)对象：存储单一数据类型的多维数组。
例：
通过array函数传递list对象：
L = [1, 2, 3, 4, 5, 6]
a = np.array(L)
print a
print type(a)若传递的是多层嵌套的list，将创建多维数组:
b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print b数组大小可以通过其shape属性获得:
print a.shape a.shape = 4, 3 print b
注：从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变
当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度:
b.shape = 2, -1 print b print b.shape b.shape = 3, 4使用reshape方法，可以创建改变了尺寸的新数组，原数组的shape保持不变
c = b.reshape(4, -1) print "b = \n", b print 'c = \n', c数组b和c共享内存，修改任意一个将影响另外一个:
b[0][1] = 20 print "b = \n", b print "c = \n", c数组的元素类型可以通过dtype属性获得:
print a.dtype print b.dtype可以通过dtype参数在创建时指定元素类型:
d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float) f = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex) print d print f如果更改元素类型，可以使用astype安全的转换
f = d.astype(np.int) print f但不要强制仅修改元素类型，如下面这句，将会以int来解释单精度float类型
d.dtype = np.int print d
np.arange
np.arange 函数类似于python的range函数, 通过指定起始值、终止值和步长来创建数组生成矩阵，和Python的range类似，arange同样不包括终值；但arange可以生成浮点类型，而range只能是整数类型:
np.arange(起始值, 终止值, 步长)
例:
np.arange(0, 60, 10)
改变形状：
np.arange(0, 60, 10).reshape((-1, 1))相加(行列分别相加)：
a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)
np.linspace
np.linspace 函数通过指定起始值、终止值和元素个数来创建数组，缺省包括终止值:
b = np.linspace(1, 10, 10) print 'b = ', b可以通过endpoint关键字指定是否包括终值:
c = np.linspace(1, 10, 10, endpoint=False) print 'c = ', c终止值默认为 50:
np.linspace(0, 10) array([ 0. , 0.20408163, 0.40816327, 0.6122449 , 0.81632653, 1.02040816, 1.2244898 , 1.42857143, 1.63265306, 1.83673469, 2.04081633, 2.24489796, 2.44897959, 2.65306122, 2.85714286, 3.06122449, 3.26530612, 3.46938776, 3.67346939, 3.87755102, 4.08163265, 4.28571429, 4.48979592, 4.69387755, 4.89795918, 5.10204082, 5.30612245, 5.51020408, 5.71428571, 5.91836735, 6.12244898, 6.32653061, 6.53061224, 6.73469388, 6.93877551, 7.14285714, 7.34693878, 7.55102041, 7.75510204, 7.95918367, 8.16326531, 8.36734694, 8.57142857, 8.7755102 , 8.97959184, 9.18367347, 9.3877551 , 9.59183673, 9.79591837, 10. ])
np.logspace
和linspace类似，logspace可以创建等比数列
下面函数创建起始值为101，终止值为102，有20个数的等比数列
d = np.logspace(1, 2, 10, endpoint=True) print d下面创建起始值为20，终止值为210(包括)，有10个数的等比数列
f = np.logspace(0, 10, 11, endpoint=True, base=2) print f
np.frombuffer, np.fromstring, np.fromfile
使用 np.frombuffer, np.fromstring, np.fromfile 等函数可以从字节序列创建数组
s = 'abcd'
g = np.fromstring(s, dtype=np.int8)
print g
math 库的实现
sin cos log
画一个正弦函数在区间 [-pi, pi] 的图像:
x = np.arange(-np.pi, np.pi, 0.01) y = np.sin(x)
存取
数组元素的存取方法和Python的标准方法相同
随机生成数组:
a = np.arange(10) print a获取某个元素:
print a[3]切片[3,6)，左闭右开:
print a[3:6]省略开始下标，表示从0开始:
print a[:5]省略结束下标，表示到最后一个:
print a[3:]下标为负表示从后向前数:
print a[3:-2]步长为2:
print a[1:9:2]步长为-1，即翻转
print a[::-1]切片数据是原数组的一个视图，与原数组共享内容空间，可以直接修改元素值
a[1:4] = 10, 20, 30 print a因此，在实践中，切实注意原始数据是否被破坏，如：
b = a[2:5] b[0] = 200 print a
整数/布尔数组存取
根据整数数组存取：当使用整数序列对数组元素进行存取时，将使用整数序列中的每个元素作为下标，整数序列可以是列表(list)或者数组(ndarray)。使用整数序列作为下标获得的数组不和原始数组共享数据空间。
生成数据
a = np.logspace(0, 9, 10, base=2) print a i = np.arange(0, 10, 2) print i利用i取a中的元素
b = a[i] print bb的元素更改，a中元素不受影响
b[2] = 1.6 print b print a使用布尔数组i作为下标存取数组a中的元素：返回数组a中所有在数组b中对应下标为True的元素
a = np.random.rand(10) #生成10个满足[0,1)中均匀分布的随机数 print a print a > 0.5 #大于0.5的元素索引 b = a[a > 0.5] #大于0.5的元素 print b将原数组中大于0.5的元素截取成0.5
a[a > 0.5] = 0.5 print a print b #b不受影响
二维数组的切片
生成数据
a = np.arange(0, 60, 10) # 行向量 print 'a = ', a b = a.reshape((-1, 1)) # 转换成列向量 print b c = np.arange(6) print c f = b + c # 行 + 列 print f合并上述代码：
a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6) print a [[ 0 1 2 3 4 5] [10 11 12 13 14 15] [20 21 22 23 24 25] [30 31 32 33 34 35] [40 41 42 43 44 45] [50 51 52 53 54 55]]二维数组的切片
print a[(0,1,2,3), (2,3,4,5)] [ 2 13 24 35] print a[3:, [0, 2, 5]] [[30 32 35] [40 42 45] [50 52 55]] i = np.array([True, False, True, False, False, True]) print a[i] [[ 0 1 2 3 4 5] [20 21 22 23 24 25] [50 51 52 53 54 55]] print a[i, 3] [ 3 23 53]
科学计算
np.exp(x) 计算 e 的 x 次方
https://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.exp.html
import numpy as np # example of np.exp x = np.array([1, 2, 3]) print(np.exp(x)) # result is (exp(1), exp(2), exp(3))
