?

?

?

?

import numpy as np

# NumPy是Python中科學(xué)計(jì)算的基礎(chǔ)軟件包。
# 它是一個(gè)提供多了維數(shù)組對(duì)象，多種派生對(duì)象（如：掩碼數(shù)組,、矩陣）以及用于快速操作數(shù)組的函數(shù)及API,，
# 它包括數(shù)學(xué),、邏輯,、數(shù)組形狀變換,、排序,、選擇,、I/O 、離散傅立葉變換,、基本線性代數(shù),、基本統(tǒng)計(jì)運(yùn)算,、隨機(jī)模擬等等。

# NumPy包的核心是ndarray對(duì)象,。

# 它封裝了python原生的同數(shù)據(jù)類型的n維數(shù)組,，為了保證其性能優(yōu)良，其中有許多操作都是代碼在本地進(jìn)行編譯后執(zhí)行的,。

# NumPy數(shù)組 和 標(biāo)準(zhǔn)Python Array（數(shù)組） 之間 的區(qū)別
    # NumPy數(shù)組在創(chuàng)建時(shí)具有固定的大小,，與Python的原生數(shù)組對(duì)象（可以動(dòng)態(tài)增長）不同。 更改ndarray的大小將創(chuàng)建一個(gè)新數(shù)組并刪除原來的數(shù)組,。
    # NumPy數(shù)組中的元素都需要具有相同的數(shù)據(jù)類型,，因此在內(nèi)存中的大小相同。 例外情況：Python的原生數(shù)組里包含了NumPy的對(duì)象的時(shí)候,，
    # 這種情況下就允許不同大小元素的數(shù)組,。
# 安裝

# python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose

# NumPy的主要對(duì)象是同類型的多維數(shù)組。它是一張表,，所有元素（通常是數(shù)字）的類型都相同,，并通過正整數(shù)元組索引。在NumPy中,，維度稱為軸,。
# 軸的數(shù)目為rank。
# [1, 2, 1] 是rank為1的數(shù)組,，因?yàn)樗哂幸粋€(gè)軸,。該軸的長度為3
t1  = [[ 1., 0., 0.],
[ 0., 1., 2.]]
# t1 有兩個(gè)軸 第一個(gè)軸（維度）的長度為2，第二個(gè)軸（維度）的長度為3,。

# 主要屬性

# ndarray.ndim：數(shù)組的軸（維度）的個(gè)數(shù),。在Python世界中，維度的數(shù)量被稱為rank,。
# ndarray.shape：數(shù)組的維度,。這是一個(gè)整數(shù)的元組，表示每個(gè)維度中數(shù)組的大小,。對(duì)于有n行和m列的矩陣,，shape將是(n,m)。因此,，
#   shape元組的長度就是rank或維度的個(gè)數(shù) ndim,。
# ndarray.size：數(shù)組元素的總數(shù)。這等于shape的元素的乘積,。
# ndarray.dtype：一個(gè)描述數(shù)組中元素類型的對(duì)象,。可以使用標(biāo)準(zhǔn)的Python類型創(chuàng)建或指定dtype,。另外NumPy提供它自己的類型,。
#   例如numpy.int32,、numpy.int16和numpy.float64。
# ndarray.itemsize：數(shù)組中每個(gè)元素的字節(jié)大小,。例如,，元素為 float64 類型的數(shù)組的 itemsize 為8（=64/8），而 complex32 類型的數(shù)組的
#   itemsize 為4（=32/8）,。它等于 ndarray.dtype.itemsize ,。
# ndarray.data：該緩沖區(qū)包含數(shù)組的實(shí)際元素。通常,，我們不需要使用此屬性,，因?yàn)槲覀儗⑹褂盟饕L問數(shù)組中的元素。

# 創(chuàng)建數(shù)組

# 1. 用普通的python列表創(chuàng)建數(shù)組
a1 = np.array([1,2,3])
print(a1.ndim)
print(a1.dtype)
print(a1.size)
print(a1.shape)
a1

2
int32
3
(1, 3)

array([[1, 2, 3]])

a2 = a1 = np.array([[1,2,3], [3,4,5]], dtype='int')
a2

array([[1, 2, 3],
       [3, 4, 5]])

print(a2.ndim)
print(a2.dtype)
print(a2.size)
print(a2.shape)

2
int32
6
(2, 3)

# 用 nunpy 內(nèi)置的方法來創(chuàng)建數(shù)組

#np.zeros(shape, dtype=None, order='C')
#創(chuàng)建shape是3x5的全1(默認(rèn)浮點(diǎn)型)數(shù)組
a3= np.zeros((3,5), order='C')
a3

array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

#np.zeros(shape, dtype=None, order='C')
#創(chuàng)建shape是3x5的全1(默認(rèn)浮點(diǎn)型)數(shù)組
a4 = np.ones((3,5))
a4

array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

#np.eye(N, M=None, k=0, dtype=<class 'float'>, order='C')
#創(chuàng)建一個(gè)形狀為 N x N 的單位矩陣（二維數(shù)組）
a5 = np.eye(3)
a5

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

#empty(shape, dtype=float, order='C')
#創(chuàng)建一個(gè)形狀為shape的未初始化數(shù)組,，值為隨機(jī)值
a6 =np.empty(5, dtype='int')

array([0, 0, 0, 0, 0])

a7 = np.empty((3,4))
a7

array([[1.50665937e-312, 0.00000000e 000, 8.76794447e 252,
        2.15895723e 227],
       [6.48224638e 170, 3.67145870e 228, 7.58253645e-096,
        9.03292329e 271],
       [9.08366793e 223, 1.41075687e 232, 1.16070543e-028,
        1.54730878e 295]])

#np.full(shape, fill_value, dtype=None, order='C')
#創(chuàng)建shape是3x5的(默認(rèn)浮點(diǎn)型)數(shù)組,，值fill_value都是3.14
a7 = np.full((3,5),5)
a7

array([[5, 5, 5, 5, 5],
       [5, 5, 5, 5, 5],
       [5, 5, 5, 5, 5]])

# 使用 arange 來創(chuàng)建
# arange([start,] stop[, step,], dtype=None)
a8 = np.arange(0,20,5)
a8

array([ 0,  5, 10, 15])

# 使用linspace 來創(chuàng)建
# np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
a9= np.linspace(10,20,6)
a9

array([10., 12., 14., 16., 18., 20.])

# reshape
a10 = a9.reshape(2,3)
a10

array([[10., 12., 14.],
       [16., 18., 20.]])

# 形狀 和操作

aa = np.arange(20).reshape(4,5)
aa

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

print(aa.shape)
print(aa.size)

(4, 5)
20

aa.reshape(5,4) # 不改變數(shù)組本身

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

aa

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

aa.ravel()  # 不改變數(shù)組本身

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

aa

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

aa

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

aa.resize(5,4) # 改變數(shù)組本身

aa

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

aa.reshape(5,-1) #reshape操作中將維度指定為-1，則會(huì)自動(dòng)計(jì)算其他維度

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

# 將不同的數(shù)組堆疊在一起

aa = np.floor(10*np.random.random((2,2)))
aa

array([[1., 8.],
       [4., 4.]])

bb = np.floor(10*np.random.random((2,2)))
bb

array([[7., 0.],
       [9., 0.]])

xx = np.vstack((aa,bb))
xx

array([[1., 8.],
       [4., 4.],
       [7., 0.],
       [9., 0.]])

np.hstack((aa, bb))

array([[1., 8., 7., 0.],
       [4., 4., 9., 0.]])

# numpy 切片和索引

a = np.arange(10)
a

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

s = slice(2,7,2)
print(a[s])

[2 4 6]

b = a[2:7:2]
b

array([2, 4, 6])

aa = np.floor(10*np.random.random((2,12)))
aa

array([[2., 2., 3., 9., 7., 8., 4., 6., 9., 3., 8., 6.],
       [1., 7., 4., 3., 2., 2., 0., 7., 3., 6., 3., 7.]])

aa

array([[2., 2., 3., 9., 7., 8., 4., 6., 9., 3., 8., 6.],
       [1., 7., 4., 3., 2., 2., 0., 7., 3., 6., 3., 7.]])

np.hsplit(aa,3) # 平均分成3份

[array([[2., 2., 3., 9.],
        [1., 7., 4., 3.]]), array([[7., 8., 4., 6.],
        [2., 2., 0., 7.]]), array([[9., 3., 8., 6.],
        [3., 6., 3., 7.]])]

np.hsplit(aa,(3,4)) # 0-3 3-4 4-   

[array([[2., 2., 3.],
        [1., 7., 4.]]), array([[9.],
        [3.]]), array([[7., 8., 4., 6., 9., 3., 8., 6.],
        [2., 2., 0., 7., 3., 6., 3., 7.]])]

# 分割 
aa = np.random.randint(1, 50,size=(7,7))
aa

array([[ 9, 23, 26,  3, 14, 18, 38],
       [14, 32, 24, 27, 47, 34,  7],
       [31, 23, 42, 21, 39, 12, 46],
       [32, 32, 42, 44, 24, 33, 19],
       [49, 37, 25, 27,  5, 30, 11],
       [40, 32, 40, 40, 35, 24,  9],
       [41,  8, 47,  7, 43,  3, 48]])

# np.split(arr,index,axis)
# arr 為被切分的數(shù)組
# index(整數(shù)或者數(shù)組) 
   # 如果是一個(gè)整數(shù) 就把當(dāng)前數(shù)組平均分成index份,，如果數(shù)組的size不能被index整除則報(bào)錯(cuò),，
   # 如果為一個(gè)數(shù)組,，則沿的數(shù)組的軸線進(jìn)行切分,比如:[2, 3] 則會(huì)被切割成[:2],[2:3],[3:]
# axis 為切分的方向 默認(rèn)為0 橫向  1為豎向

np.split(aa, [2,4,6], axis=1)

[array([[ 9, 23],
        [14, 32],
        [31, 23],
        [32, 32],
        [49, 37],
        [40, 32],
        [41,  8]]), array([[26,  3],
        [24, 27],
        [42, 21],
        [42, 44],
        [25, 27],
        [40, 40],
        [47,  7]]), array([[14, 18],
        [47, 34],
        [39, 12],
        [24, 33],
        [ 5, 30],
        [35, 24],
        [43,  3]]), array([[38],
        [ 7],
        [46],
        [19],
        [11],
        [ 9],
        [48]])]

aa

array([[ 9, 23, 26,  3, 14, 18, 38],
       [14, 32, 24, 27, 47, 34,  7],
       [31, 23, 42, 21, 39, 12, 46],
       [32, 32, 42, 44, 24, 33, 19],
       [49, 37, 25, 27,  5, 30, 11],
       [40, 32, 40, 40, 35, 24,  9],
       [41,  8, 47,  7, 43,  3, 48]])

aa[5]

array([40, 32, 40, 40, 35, 24,  9])

aa[5,3]

40

aa[5:]

array([[40, 32, 40, 40, 35, 24,  9],
       [41,  8, 47,  7, 43,  3, 48]])

aa[:,1:2]

array([[23],
       [32],
       [23],
       [32],
       [37],
       [32],
       [ 8]])

a = np.array([[1,2,3],[3,4,5],[4,5,6]]) 
print(a)
print("-----------------")
print (a[...,1])   # 第2列元素
print("-----------------")
print (a[1,...])   # 第2行元素
print("-----------------")
print (a[...,1:])  # 第2列及剩下的所有元素

# 三個(gè)點(diǎn)（ ... ）表示產(chǎn)生完整索引元組所需的冒號(hào),。例如,，如果 x 是rank為的5數(shù)組（即,，它具有5個(gè)軸）,，則

# x[1,2,...] 等于 x[1,2,:,:,:],。
# x[...,3] 等效于 x[:,:,:,:,3],。

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

# 整數(shù)數(shù)組索引
# 實(shí)例獲取數(shù)組中(0,0),，(1,1)和(2,0)位置處的元素,。
x = np.array([[1,  2],  [3,  4],  [5,  6]]) 
print(x)
print('--------------')
y = x[[0,1,2],  [0,1,0]]  
print (y)

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

#獲取了 4X3 數(shù)組中的四個(gè)角的元素,。 行索引是 [0,0] 和 [3,3],，而列索引是 [0,2] 和 [0,2],。
x = np.array([[  0,  1,  2],[  3,  4,  5],[  6,  7,  8],[  9,  10,  11]])  
print ('我們的數(shù)組是：' )
print (x)
print ('\n')
rows = np.array([[0,0],[3,3]]) 
cols = np.array([[0,2],[0,2]]) 
y = x[rows,cols]  
print  ('這個(gè)數(shù)組的四個(gè)角元素是：')
print (y)

我們的數(shù)組是：
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]


這個(gè)數(shù)組的四個(gè)角元素是：
[[ 0  2]
 [ 9 11]]

# 布爾索引
x = np.array([[  0,  1,  2],[  3,  4,  5],[  6,  7,  8],[  9,  10,  11]])  
print ('我們的數(shù)組是：')
print (x)
print ('\n')
# 現(xiàn)在我們會(huì)打印出大于 5 的元素  
print  ('大于 5 的元素是：')
print(x>5)
print (x[x >  5])

我們的數(shù)組是：
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]


大于 5 的元素是：
[[False False False]
 [False False False]
 [ True  True  True]
 [ True  True  True]]
[ 6  7  8  9 10 11]

a = np.array([np.nan,  1,2,np.nan,3,4,5])  
print (a[~np.isnan(a)])

[1. 2. 3. 4. 5.]

np.nan ==  np.nan

False

# 花式索引
# 花式索引指的是利用整數(shù)數(shù)組進(jìn)行索引。

# 花式索引根據(jù)索引數(shù)組的值作為目標(biāo)數(shù)組的某個(gè)軸的下標(biāo)來取值,。對(duì)于使用一維整型數(shù)組作為索引,，如果目標(biāo)是一維數(shù)組，
# 那么索引的結(jié)果就是對(duì)應(yīng)位置的元素,；如果目標(biāo)是二維數(shù)組,，那么就是對(duì)應(yīng)下標(biāo)的行。
 
# 花式索引跟切片不一樣,，它總是將數(shù)據(jù)復(fù)制到新數(shù)組中,。

# 1、傳入順序索引數(shù)組

x=np.arange(32).reshape((8,4))
print(x)
print('--------------------')
print (x[[4,2,1,7]])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]
 [24 25 26 27]
 [28 29 30 31]]
--------------------
[[16 17 18 19]
 [ 8  9 10 11]
 [ 4  5  6  7]
 [28 29 30 31]]

x=np.arange(32).reshape((8,4))
print (x[[-4,-2,-1,-7]])

[[16 17 18 19]
 [24 25 26 27]
 [28 29 30 31]
 [ 4  5  6  7]]

print (x[([1,5,7,2],[0,3,1,2])])

[ 4 23 29 10]

print (x[np.ix_([1,5,7,2],[0,3,1,2])])

[[ 4  7  5  6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11  9 10]]

x = np.array([[1,2],[3,4],[5,6]])
print(x)
print('-----------')
print(x[[0,1]]) 
print('-------------')
print(x[[0,1],[0,1]])
print('------------------')
# 使用numpy.ix_()函數(shù)增強(qiáng)可讀性
print (x[np.ix_([0,1],[0,1])])
print('--------------')
x[[0,1],[0,1]] = [0,0]
print(x) # [[0,2],[3,0],[5,6]]

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

# 迭代數(shù)組

# 迭代
a = np.arange(6).reshape(2,3)
print ('原始數(shù)組是：')
print (a)
print ('\n')
print ('迭代輸出元素：')
for x in np.nditer(a):
    print (x, end=", " )
print ('\n')

原始數(shù)組是：
[[0 1 2]
 [3 4 5]]


迭代輸出元素：
[0 1 2], [3 4 5], 

# for x in np.nditer(a, order='F'):Fortran order,，即是列序優(yōu)先,；
# for x in np.nditer(a.T, order='C'):C order,，即是行序優(yōu)先；
a = np.arange(6).reshape(2,3)
print(a)
print('------------')
print(a.T)
for x in np.nditer(a, order ='C'):
    print (x, end=", " )
print ('\n')

[[0 1 2]
 [3 4 5]]
------------
[[0 3]
 [1 4]
 [2 5]]
0, 1, 2, 3, 4, 5, 

for i in a:
    print(i)

[0 1 2]
[3 4 5]

# 修改數(shù)組中元素的值
# nditer 對(duì)象有另一個(gè)可選參數(shù) op_flags,。 默認(rèn)情況下,，nditer 將視待迭代遍歷的數(shù)組為只讀對(duì)象（read-only），為了在遍歷數(shù)組的同時(shí),，
# 實(shí)現(xiàn)對(duì)數(shù)組元素值得修改,，必須指定 read-write 或者 write-only 的模式。
a = np.arange(0,60,5) 
a = a.reshape(3,4)  
print ('原始數(shù)組是：')
print (a)
print ('\n')
for x in np.nditer(a, op_flags=['readwrite']): 
    x[...]=2*x 
print ('修改后的數(shù)組是：')
print (a)

原始數(shù)組是：
[[ 0  5 10 15]
 [20 25 30 35]
 [40 45 50 55]]


修改后的數(shù)組是：
[[  0  10  20  30]
 [ 40  50  60  70]
 [ 80  90 100 110]]

# numpy.ndarray.flat 是一個(gè)數(shù)組元素迭代器,，實(shí)例如下:
a = np.arange(9).reshape(3,3) 
print ('原始數(shù)組：')
for row in a:
    print (row)
 
#對(duì)數(shù)組中每個(gè)元素都進(jìn)行處理,，可以使用flat屬性，該屬性是一個(gè)數(shù)組元素迭代器：
print ('迭代后的數(shù)組：')
for element in a.flat:
    print (element)

原始數(shù)組：
[0 1 2]
[3 4 5]
[6 7 8]
迭代后的數(shù)組：
0
1
2
3
4
5
6
7
8

# 數(shù)組操作
# numpy.ndarray.flatten 返回一份數(shù)組拷貝,，對(duì)拷貝所做的修改不會(huì)影響原始數(shù)組,，格式如下：
# ndarray.flatten(order='C')
# order：'C' -- 按行，'F' -- 按列,，'A' -- 原順序,，'K' -- 元素在內(nèi)存中的出現(xiàn)順序。
a = np.arange(8).reshape(2,4)
 
print ('原數(shù)組：')
print (a)
print ('\n')
# 默認(rèn)按行
 
print ('展開的數(shù)組：')
print (a.flatten())
print ('\n')
 
print ('以 F 風(fēng)格順序展開的數(shù)組：')
print (a.flatten(order = 'F'))

原數(shù)組：
[[0 1 2 3]
 [4 5 6 7]]


展開的數(shù)組：
[0 1 2 3 4 5 6 7]


以 F 風(fēng)格順序展開的數(shù)組：
[0 4 1 5 2 6 3 7]

# 翻轉(zhuǎn)數(shù)組

# numpy.transpose 函數(shù)用于對(duì)換數(shù)組的維度   numpy.ndarray.T 類似 numpy.transpose
 
a = np.arange(12).reshape(3,4)
 
print ('原數(shù)組：')
print (a )
print ('\n')
 
print ('對(duì)換數(shù)組：')
print (np.transpose(a))
print('-------------------')
print(a.T)

原數(shù)組：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]


對(duì)換數(shù)組：
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]]
-------------------
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]]

# 軸的理解

a = np.array([[78, 34, 87, 25, 83], [25, 67, 97, 22, 13], [78, 43, 87, 45, 89]])
print(a)
print('-------------------')
print(a.max(axis=0))
print(a.max(axis=1))
#axis=0就是豎軸的數(shù)據(jù)  axis=1就是橫軸的 

[[78 34 87 25 83]
 [25 67 97 22 13]
 [78 43 87 45 89]]
-------------------
[78 67 97 45 89]
[87 97 89]

a = np.array([[[0, 1], [2, 3]], [[4, 5], [6, 7]]])
print(a.shape)
print(a)
print('--------------')
print(a.max(axis=0))
print('-----------')
print(a.max(axis=1))
print('-------------')
print(a.max(axis=2))

# 這里的最大值就是把一個(gè)一維數(shù)組當(dāng)成了一個(gè)元素

(2, 2, 2)
[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]
--------------
[[4 5]
 [6 7]]
-----------
[[2 3]
 [6 7]]
-------------
[[1 3]
 [5 7]]

# numpy.rollaxis 函數(shù)向后滾動(dòng)特定的軸到一個(gè)特定位置
# numpy.rollaxis(arr, axis, start)
# arr：數(shù)組
# axis：要向后滾動(dòng)的軸,，其它軸的相對(duì)位置不會(huì)改變
# start：默認(rèn)為零,，表示完整的滾動(dòng)。會(huì)滾動(dòng)到特定位置,。
# 創(chuàng)建了三維的 ndarray
a = np.arange(8).reshape(2,2,2)
 
print ('原數(shù)組：')
print (a)
print ('\n')
# 將軸 2 滾動(dòng)到軸 0（寬度到深度）   
# 程序運(yùn)行np.rollaxis(a, 2)時(shí),講軸2滾動(dòng)到了軸0前面,其他軸相對(duì)2軸位置不變(start默認(rèn)0),數(shù)組下標(biāo)排序由0,1,2變成了1,2,0
 
print ('調(diào)用 rollaxis 函數(shù)：')
print (np.rollaxis(a,2))
# 將軸 0 滾動(dòng)到軸 1：（寬度到高度）
print ('\n')
 
print ('調(diào)用 rollaxis 函數(shù)：')
print (np.rollaxis(a,2,1))

原數(shù)組：
[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]


調(diào)用 rollaxis 函數(shù)：
[[[0 2]
  [4 6]]

 [[1 3]
  [5 7]]]


調(diào)用 rollaxis 函數(shù)：
[[[0 2]
  [1 3]]

 [[4 6]
  [5 7]]]

# numpy.swapaxes 函數(shù)用于交換數(shù)組的兩個(gè)軸 numpy.swapaxes(arr, axis1, axis2)
# arr：輸入的數(shù)組
# axis1：對(duì)應(yīng)第一個(gè)軸的整數(shù)
# axis2：對(duì)應(yīng)第二個(gè)軸的整數(shù)
# 創(chuàng)建了三維的 ndarray
a = np.arange(8).reshape(2,2,2)
 
print ('原數(shù)組：')
print (a)
print ('\n')
# 現(xiàn)在交換軸 0（深度方向）到軸 2（寬度方向）
 
print ('調(diào)用 swapaxes 函數(shù)后的數(shù)組：')
print (np.swapaxes(a, 2, 0))

原數(shù)組：
[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]


調(diào)用 swapaxes 函數(shù)后的數(shù)組：
[[[0 4]
  [2 6]]

 [[1 5]
  [3 7]]]

# 隨機(jī)數(shù)組 

# 隨機(jī)創(chuàng)建 指定形狀的數(shù)組  0-1之間的數(shù)
np.random.rand(5)

array([0.30169196, 0.9670064 , 0.47162448, 0.62679488, 0.73837024])

np.random.rand(5,5, 5)

array([[[0.89417906, 0.70946608, 0.38672627, 0.76701869, 0.78554922],
        [0.8395321 , 0.6066907 , 0.92352055, 0.9223712 , 0.79842334],
        [0.48239551, 0.01127968, 0.23233443, 0.33877177, 0.84191728],
        [0.31445345, 0.69452591, 0.29333318, 0.46591799, 0.35955757],
        [0.83014411, 0.66361905, 0.2745486 , 0.44315133, 0.11167157]],

       [[0.2932468 , 0.51403315, 0.53770464, 0.81108324, 0.76383529],
        [0.97409406, 0.40976911, 0.21684626, 0.06193826, 0.99271513],
        [0.96543415, 0.6577333 , 0.28238376, 0.82693036, 0.29221568],
        [0.10894843, 0.40101362, 0.87845106, 0.84427336, 0.75716817],
        [0.07480796, 0.19393097, 0.7915619 , 0.4755644 , 0.52351122]],

       [[0.14791434, 0.90730496, 0.14768148, 0.93386785, 0.61918179],
        [0.27887145, 0.82167391, 0.96227453, 0.31035279, 0.96435175],
        [0.61742694, 0.3994602 , 0.9876201 , 0.17050054, 0.80599466],
        [0.93448767, 0.93377353, 0.17567329, 0.35896092, 0.86895971],
        [0.57438796, 0.2828866 , 0.39134851, 0.25140481, 0.37755792]],

       [[0.73122306, 0.41387161, 0.73493688, 0.56681141, 0.38409986],
        [0.62762826, 0.72740016, 0.03333494, 0.2724378 , 0.87094496],
        [0.36300417, 0.06047278, 0.19580073, 0.5297497 , 0.36031132],
        [0.27977137, 0.3582478 , 0.93715713, 0.77016022, 0.5999013 ],
        [0.48798223, 0.24158915, 0.97154431, 0.35866503, 0.54551312]],

       [[0.13168029, 0.61278339, 0.27324304, 0.12304226, 0.90762162],
        [0.98750724, 0.67448499, 0.44045933, 0.1650775 , 0.63162946],
        [0.65731927, 0.39280892, 0.72215663, 0.66654893, 0.53636512],
        [0.33444494, 0.92841366, 0.931691  , 0.06398883, 0.31514842],
        [0.01835854, 0.60237696, 0.03410581, 0.20646853, 0.23836661]]])

# 隨機(jī)獲取指定范圍的一個(gè)數(shù)
np.random.uniform(0,100)

22.56103050009125

# 隨機(jī)獲取指定范圍的一個(gè)整數(shù)
np.random.randint(0,52)

35

np.random.randint(0,20,size=(3,4))

array([[ 7, 15,  8, 15],
       [ 6, 19, 10,  9],
       [ 0, 18, 16, 10]])

np.random.randint(0,20,size=(5,4))

array([[15,  5, 16, 16],
       [ 0,  4,  2,  0],
       [13, 12, 15,  7],
       [14,  9, 10, 16],
       [11, 15, 10,  1]])

#  np.random.choice(F,N,P)
# 從0-F范圍里面去N個(gè)數(shù)(不包含N),，P表示概率
np.random.choice(2,2)

array([1, 1])

a1 = np.random.choice(5,3,p=[0.2,0,0.5,0.3,0])
a1

array([0, 3, 2], dtype=int32)

b = np.random.randint(0,20,size=(5,4))
print(b)

[[16 18  0  1]
 [ 3  2  5 19]
 [ 2 17 10 16]
 [10  5  1  7]
 [11  5 14 12]]

np.random.shuffle(b)
print(b)

[[ 2 17 10 16]
 [16 18  0  1]
 [ 3  2  5 19]
 [11  5 14 12]
 [10  5  1  7]]

# 計(jì)算

a = [1,2,3,4]
b= np.array(a,dtype='float')
b

array([1., 2., 3., 4.])

b 1

array([2., 3., 4., 5.])

b

array([1., 2., 3., 4.])

a = np.array([1,3,5,7])
a

array([1, 3, 5, 7])

# 同緯度且個(gè)數(shù)相同的數(shù)組相加
a b

array([ 2.,  5.,  8., 11.])

# 數(shù)組a中大于3的數(shù)就會(huì)顯示True小于3的數(shù)就會(huì)顯示False
a[a>3]

array([4, 5, 6, 7])

print(a)
a[a>3]

[1 3 5 7]

array([5, 7])

c = np.array([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15])
c

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

# 求出c中大于5且為偶數(shù)的元素
c[(c>5) & (c%2==0)]

array([ 6,  8, 10])

d=np.array([1.1,2.2,3.3,4.4,5.5,6.6,7.7])  
d

array([1.1, 2.2, 3.3, 4.4, 5.5, 6.6, 7.7])

# 向上取整
print(np.ceil(d))
# 向下取整
print(np.floor(d))
# 絕對(duì)值
print(np.abs(d))
# 開方
print(np.sqrt(b))
# 分別去除小數(shù)部分和整數(shù)部分
print('------------------')
print(np.modf(d))
# e為底的指數(shù)函數(shù)
print(np.exp(d))
print(np.log(d))
# 四舍五入
print(np.round(d))
print('------------------')
print(np.rint(d))
# 向0取整
print(np.trunc(d))
# 是否不等于任何整數(shù)
print(np.isnan(d))
# 
print(np.cos(b))
print(np.sin(b))
print(np.tan(b))

# 上述操作 對(duì)普通列表 也實(shí)用

[2. 3. 4. 5. 6. 7. 8.]
[1. 2. 3. 4. 5. 6. 7.]
[1.1 2.2 3.3 4.4 5.5 6.6 7.7]
[7.41619849 1.         1.41421356 1.73205081 2.         2.23606798
 2.44948974 2.64575131 2.82842712 3.         3.16227766 3.31662479]
------------------
(array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7]), array([1., 2., 3., 4., 5., 6., 7.]))
[   3.00416602    9.0250135    27.11263892   81.45086866  244.69193226
  735.09518924 2208.34799189]
[0.09531018 0.78845736 1.19392247 1.48160454 1.70474809 1.88706965
 2.04122033]
[1. 2. 3. 4. 6. 7. 8.]
------------------
[1. 2. 3. 4. 6. 7. 8.]
[1. 2. 3. 4. 5. 6. 7.]
[False False False False False False False]
[ 0.02212676  0.54030231 -0.41614684 -0.9899925  -0.65364362  0.28366219
  0.96017029  0.75390225 -0.14550003 -0.91113026 -0.83907153  0.0044257 ]
[-0.99975517  0.84147098  0.90929743  0.14112001 -0.7568025  -0.95892427
 -0.2794155   0.6569866   0.98935825  0.41211849 -0.54402111 -0.99999021]
[-4.51830879e 01  1.55740772e 00 -2.18503986e 00 -1.42546543e-01
  1.15782128e 00 -3.38051501e 00 -2.91006191e-01  8.71447983e-01
 -6.79971146e 00 -4.52315659e-01  6.48360827e-01 -2.25950846e 02]

print(d)
print('-------------------------')
# 求和
print(d.sum())
# 平均值
print(d.mean())
# 等差數(shù)列
print(d.cumsum())
# 標(biāo)準(zhǔn)差
print(d.std())
# 方差
print(d.var())
# 最小值
print(d.min())
#最大值
print(d.max())
print('---------------')
# 最大值索引
print(d.argmin())
# 最小值索引
print(d.argmax())

[1.1 2.2 3.3 4.4 5.5 6.6 7.7]
-------------------------
30.8
4.4
[ 1.1  3.3  6.6 11.  16.5 23.1 30.8]
2.2
4.840000000000001
1.1
7.7
---------------
0
6

a = np.array( [20,30,40,50] )
b = np.arange( 4 )
print(a)
print('-----')
print(b)

[20 30 40 50]
-----
[0 1 2 3]

c = a-b
c

array([20, 29, 38, 47])

b**2

array([0, 1, 4, 9], dtype=int32)

10*np.sin(a)

array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])

# 與許多矩陣語言不同，乘法運(yùn)算符 * 的運(yùn)算在NumPy數(shù)組中是元素級(jí)別的,。矩陣乘積可以使用 dot 函數(shù)或方法執(zhí)行
a = np.array( [[1,1,1],[0,1,1]] )
a    

array([[1, 1, 1],
       [0, 1, 1]])

b = np.array( [[2,0], [3,4], [1,1] ])
b

array([[2, 0],
       [3, 4],
       [1, 1]])

a*b

array([[2, 0, 1],
       [0, 4, 1]])

a.dot(b)

array([[6, 5],
       [4, 5]])

a = np.ones((2,3), dtype=int)
a

array([[1, 1, 1],
       [1, 1, 1]])

a*=3
a

array([[3, 3, 3],
       [3, 3, 3]])

b = np.random.randint(0,6, size=(2,3))
b

array([[1, 3, 2],
       [1, 0, 2]])

b =a
b

array([[4, 6, 5],
       [4, 3, 5]])

print(a)
print(b)
a =b
a

[[7 9 8]
 [7 6 8]]
[[4 6 5]
 [4 3 5]]

array([[11, 15, 13],
       [11,  9, 13]])

# 復(fù)制和視圖

# NumPy中,，數(shù)組的復(fù)制有三種方式：
# Python通用的地址復(fù)制：通過 b = a 復(fù)制 a 的值，b 與 a 指向同一地址,，改變 b 同時(shí)也改變 a,。
# 通過視圖ndarray.view()僅復(fù)制值，當(dāng)對(duì) c 值進(jìn)行改變會(huì)改變 a 的對(duì)應(yīng)的值,，而改變 c 的 shape 不改變 a 的 shape,。

# ndarray.copy() 進(jìn)行的完整的拷貝，產(chǎn)生一份完全相同的獨(dú)立的復(fù)制,。

a = np.arange(12)
a

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

b=a
a is b

True

 c = a.view()
 c   

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

a is c

False

c.shape = 2,6
c

array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

c [0,0] = 55
a

array([55,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

d = a.copy()
d is a 

False

d 

array([55,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

d.shape = 2,6
d

array([[55,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

d[1,1] = 22
a

array([55,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])