import numpy as np
array = np.array([[1,2,3],[2,3,4]]) #矩阵构建
print(array)
print('number of dim:',array.ndim) # 维度
# number of dim: 2
print('shape :',array.shape) # 形状 行数和列数
# shape : (2, 3)
print('size:',array.size) # 元素个数
# size: 6
a = np.array([2,23,4]) # list 1d
print(a)
a = np.array([2,23,4],dtype=np.int)
print(a.dtype)
# int 64
a = np.array([2,23,4],dtype=np.int32) #指定数据类型
print(a.dtype)
# int32
a = np.array([2,23,4],dtype=np.float)
print(a.dtype)
# float64
a = np.array([2,23,4],dtype=np.float32)
print(a.dtype)
# float32
a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列
print(a)
a = np.zeros((3,4)) # 数据全为0，3行4列
a = np.ones((3,4),dtype = np.int) # 数据为1，3行4列
a = np.empty((3,4)) # 数据为empty，3行4列
a = np.arange(10,20,2) # 10-19 的数据，2步长
a = np.arange(12).reshape((3,4)) # 3行4列，0到11
a = np.linspace(1,10,20) # 开始端1，结束端10，且分割成20个数据，生成线段
a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
print("a=",a)
b=np.arange(4)
print("b=",b)
c=a-b # array([10, 19, 28, 37])
print("a-b=",c)
c=a*b
print("a*b=",c)
c=a**2 #** 表示^ 幂运算
print("a**2=",c)
c=10*np.sin(a)
print("10*np.sin(a)",c)
print("b<3",b<3)
a=np.array([[1,1],[0,1]])
b=np.arange(4).reshape((2,2))
c_dot = np.dot(a,b) #标准的矩阵点乘 与 MATLAB 正好相反
c_dot = a.dot(b) #链式表示方法
a=np.random.random((2,4)) #随机内容填充
print(a)
np.sum(a) # 元素和
np.min(a) # 最小元素
np.max(a) # 最大元素
A = np.arange(2,14).reshape((3,4))
# array([[ 2, 3, 4, 5]
# [ 6, 7, 8, 9]
# [10,11,12,13]])
print(np.argmin(A)) # 0 最小角标（索引）
print(np.argmax(A)) # 11 最大角标（索引）
print(np.median(A)) #中位数
print(np.cumsum(A)) #累加
print(np.diff(A)) #累差
print(np.nonzero(A)) #非零元素的索引数组 第一个数组是行编号 第二个是对应的列编号
# (array([0,0,0,0,1,1,1,1,2,2,2,2]),array([0,1,2,3,0,1,2,3,0,1,2,3]))
import numpy as np
A = np.arange(14,2, -1).reshape((3,4))
# array([[14, 13, 12, 11],
# [10, 9, 8, 7],
# [ 6, 5, 4, 3]])
print(np.sort(A)) #行内排序 默认由小到大
# array([[11,12,13,14]
# [ 7, 8, 9,10]
# [ 3, 4, 5, 6]])
print(np.transpose(A)) #转置
print(A.T) #简单表示形式
print(A)
# array([[14,13,12,11]
# [10, 9, 8, 7]
# [ 6, 5, 4, 3]])
print(np.clip(A,5,9)) #控制数据范围
# array([[ 9, 9, 9, 9]
# [ 9, 9, 8, 7]
# [ 6, 5, 5, 5]])
A = np.arange(3,15)
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
print(A[3]) # 6 获取矩阵中指定索引的元素
A = np.arange(3,15).reshape((3,4))
print(A[2]) #二维矩阵中 降低一维 取出对应索引的数据
# [11 12 13 14]
print(A[1][1]) #多维矩阵 降维 取出 索引表示方法
print(A[1, 1:3]) # [8 9] 取出连续数据块
for row in A: # 降维遍历
print(row)
print(A.flatten()) #降维
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
for item in A.flat: #降维遍历
print(item)
import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])
print(np.vstack((A,B))) # 垂直合并
D = np.hstack((A,B)) # 水平合并
print(D)
# [1,1,1,2,2,2]
print(A.shape,D.shape)
# (3,) (6,)
print(A[np.newaxis,:])
# [[1 1 1]]
print(A[np.newaxis,:].shape)
# (1,3)
print(A[:,np.newaxis])
print(A[:,np.newaxis].shape)
# (3,1)
A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis]
C = np.vstack((A,B)) # vertical stack
D = np.hstack((A,B)) # horizontal stack
print(D)
print(A.shape,D.shape)
# (3,1) (3,2)
C = np.concatenate((A,B,B,A),axis=0)
print(C)
D = np.concatenate((A,B,B,A),axis=1)
print(D)
A = np.arange(12).reshape((3, 4))
print(A)
print(np.split(A, 2, axis=1)) #axis 指定操作维度是列
print(np.split(A, 3, axis=0)) #axis 指定操作维度位置
# [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
print(np.array_split(A, 3, axis=1)) #不平均分割
print(np.vsplit(A, 3)) #等于 print(np.split(A, 3, axis=0))
# [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
print(np.hsplit(A, 2)) #等于 print(np.split(A, 2, axis=1))
a = np.arange(4)
# array([0, 1, 2, 3])
b = a
c = a
d = b
a[0] = 11
print(a)
b is a # True 判断是否相同
c is a # True
d is a # True
b = a.copy() # deep copy
print(b) # array([11, 22, 33, 3])
a[3] = 44
print(a) # array([11, 22, 33, 44])
print(b) # array([11, 22, 33, 3])
最后说一下 numpy 内部矩阵其实只有一行 通过其他手段实现多行 所以在运算的时候 最好添加行 不要添加列。运算性能有所不同
