numpy笔记

import numpy as np
# Numpy支持大量的维度数组和矩阵运算，对数组运算提供了大量的数学函数库！
# 
# Numpy比Python列表更具优势，其中一个优势便是速度。在对大型数组执行操作时，Numpy的速度比Python列表的速度快了好几百。因为Numpy数组本身能节省内存，并且Numpy在执行算术、统计和线性代数运算时采用了优化算法。
# 
# Numpy的另一个强大功能是具有可以表示向量和矩阵的多维数组数据结构。Numpy对矩阵运算进行了优化，使我们能够高效地执行线性代数运算，使其非常适合解决机器学习问题。
# 
# 与Python列表相比，Numpy具有的另一个强大优势是具有大量优化的内置数学函数。这些函数使你能够非常快速地进行各种复杂的数学计算，并且用到很少代码（无需使用复杂的循环），使程序更容易读懂和理解。
# 
# 注：在ndarray结构中，里面元素必须是同一类型的，如果不是，会自动的向下进行。
# (1)创建数组
a=[1,2,3,4]
b=np.array(a)
c=np.array([[1,2,3,4],
            [5,6,7,8]],int)
print(b)
print(c)

# Numpy.arange()和Numpy.linspace()函数也可以创建数组
#
# Numpy.arange(start, stop, step)：创建一个秩为1的array，其中包含位于半开区间[start, stop)内并均匀分布的值，step表示两个相邻值之间的差。
#
# Numpy.linspace(start, stop, N)：创建N个在闭区间[start, stop]内均匀分布的值。
X = np.arange(1, 5, 2, dtype=np.int)
print(X)
y = np.linspace(1, 5, 3)
print(y)
#创建数值为1的数组
array_one = np.ones([10, 10], dtype=np.int)
print(array_one)

#创建数值为0的数组
array_zero = np.zeros([10, 9], dtype=np.float)
print(array_zero)

#创建指定数值的数组
array_full = np.full((2, 3), 5)
print(array_full)

#创建单位矩阵
array_eye = np.eye(5)
print(array_eye)

# 创建对角矩阵
array_diag = np.diag([10, 20, 30, 40])
print(array_diag)

#（2）查看数组属性

# 数组元素个数：3
print(b.size)
# 数组形状:(3,)
print(b.shape)
# 数组维度:1
print(b.ndim)
# 数组元素类型:int32
print(array_zero.dtype)

#（3）创建随机数组（np.random）

# 创建指定形状的数组，数值范围在0~1之间
array_rand = np.random.rand(4, 3, 4)#个数 行数 列数
print(array_rand)
print(array_rand.ndim)

# 创建指定范围内的一个数：Numpy.random.uniform(low, high, size=None)
array_uniform = np.random.uniform(0, 100, size=5)
print(array_uniform)

# 创建指定范围的一个整数：Numpy.random.randint(low, high, size=None)
array_int = np.random.randint(0, 100, size=3)
print(array_int)
print(array_int.size)

# 正态分布
# 创建给定均值、标准差、维度的正态分布：Numpy.random.normal(loc, scale, size)
array_normal = np.random.normal(loc=1.75, scale=0.1, size=[4, 5])
print(array_normal)
print(array_normal.ndim)

# （4）Numpy数组操作
# 数组的索引
# array[start : end]
# array[start:]
# array[:end]
after_array = array_normal[:3, 2:4]
print(after_array)

# 数组的复制
after_array = array_normal[:3, 2:4].copy()
copy_array = np.copy(array_normal[:, 2:4])

# 数组排序
# Numpy.sort(参数 1：a，数组；参数 2：axis=0/1，0表示行1表示列)：np.sort()作为函数使用时，不更改被排序的原始array；array.sort()作为方法使用时，会对原始array修改为排序后数组array
# 整体排序
np.sort(array_normal)
# 仅行排序
np.sort(array_normal, axis=0)
# 仅列排序
np.sort(array_normal, axis=1)

#数组唯一元素
# Numpy.unique(参数 1：a，数组；参数 2：return_index=True/False，新列表元素在旧列表中的位置；参数 3：return_inverse=True/False，旧列表元素在新列表中的位置；参数 4：return_counts，元素的数量；参数 5：axis=0/1，0表示行1表示列)：查找array中的唯一元素。
print("提取唯一元素", np.unique(array_normal))
print("提取唯一元素", np.unique(array_normal, return_index=True))
print("提取唯一元素", np.unique(array_normal, return_counts=True))
print("提取唯一元素", np.unique(array_normal, return_index=True, return_inverse=True, axis=0))

# 数组的改变
# 数组转置

# array_normal.T

# reshape()：把指定的数组改变形状，但是元素个数不变；有返回值，即不对原始多维数组进行修改
# resize()：把指定的数组改变形状，但是元素个数可变，不足补0；无返回值，即对原始多维数组进行修改

# （5）Numpy计算
# 条件运算
# Numpy.where(condition, x, y)：三目运算满足condition，为x；不满足condition，则为y

score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 如果数值小于80，替换为0，如果大于等于80，替换为90
re_score = np.where(score < 80, 0, 90)
print(re_score)

# 统计运算
# 指定轴最大值：amax(参数1：数组；参数2：axis=0/1，0表示行1表示列)

# 求整个矩阵的最大值
result = np.amax(score)
print(result)
# 求每一列的最大值（0表示行）
result = np.amax(score, axis=0)
print(result)
# 求每一行的最大值（1表示列）
result = np.amax(score, axis=1)
print(result)
# 指定轴最小值：amin(参数1：数组；参数2：axis=0/1，0表示行1表示列)
# 指定轴平均值：mean(参数1：数组；参数2：axis=0/1，0表示行1表示列；参数3：dtype，输出数据类型)
# 指定轴方差：std(参数1：数组；参数2：axis=0/1，0表示行1表示列；参数3：dtype，输出数据类型)
# 类似的，求和：Numpy.sum()，求中值：Numpy.median

# 数组运算
# 数组与数的运算（加、减、乘、除、取整、取模）

# 循环数组行和列，每一个数值都加5
score[:, :] = score[:, :]+5
print(score)
# 循环数组行和列，每一个数值都减5
score[:, :] = score[:, :]-5
print(score)
# 循环数组行和列，每一个数值都乘以5
score[:, :] = score[:, :]*5
print(score)
# 循环数组行和列，每一个数值都除以5
score[:, :] = score[:, :]/5
print(score)
# 循环数组行和列，每一个数值除以5取整
score[:, :] = score[:, :] // 5
print(score)
# 循环数组行和列，每一个数值除以5取模
score[:, :] = score[:, :] % 5
print(score)

# 数组间运算（加、减、乘、除），前提是两个数组的shape一样
#
# 加：“+”或者np.add(a, b)　　减：“-”或者np.subtract(a, b)　　
#
# 乘：“*”或者np.multiply(a, b)　　除：“/”或者np.divide(a, b)

c = score + score
d = score - score
e = score * score
# 分母数组保证每个数值不能为0
b = score / score
# Numpy.intersect1d(参数 1：数组a；参数 2：数组b)：查找两个数组中的相同元素
#
# Numpy.setdiff1d(参数 1：数组a；参数 2：数组b)：查找在数组a中不在数组b中的元素
#
# Numpy.union1d(参数 1：数组a；参数 2：数组b)：查找两个数组的并集元素

# 矩阵运算（一种特殊的二维数组）
# 计算规则
# （M行，N列）*（N行，Z列）=（M行，Z列）

st_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 平时成绩占40% 期末成绩占60%, 计算结果
q = np.array([[0.4], [0.6]])
result = np.dot(st_score, q)
print(result)
# 矩阵拼接
# 矩阵垂直拼接（前提两个两个矩阵列数相同，行数随意）：vstack(参数：tuple)

v1 = [[0, 1, 2, 3, 4, 5],
      [6, 7, 8, 9, 10, 11]]
v2 = [[12, 13, 14, 15, 16, 17],
      [18, 19, 20, 21, 22, 23],
      [18, 19, 20, 21, 22, 23]]
result = np.vstack((v1, v2))
print(result)

# 矩阵水平拼接（前提两个两个矩阵行数相同，列数随意）：hstack(参数：tuple)

v1 = [[0, 1, 2, 3, 4, 5],
      [6, 7, 8, 9, 10, 11]]
v2 = [[12, 13, 14, 15, 16, 17],
      [18, 19, 20, 21, 22, 23]]
result = np.hstack((v1, v2))
print(result)
# 矩阵删除：Numpy.delete(参数 1：a，数组；参数 2：elements，删除的对象；参数 3：axis=0/1)

OriginalY = np.array([[1, 2, 3],
                     [4, 5, 6],
                      [7, 8, 9]])
print(np.delete(OriginalY, [0, 2]))
print(np.delete(OriginalY, [0, 2], axis=0))
print(np.delete(OriginalY, [0, 2], axis=1))

# 矩阵添加：Numpy.append(参数 1：array，数组；参数 2： elements，添加元素；参数 3： axis=0/1)

OriginalY = np.array([[1, 2, 3],
                      [4, 5, 6],
                     [7, 8, 9]])
# 末尾添加元素
print(np.append(OriginalY, [0, 2]))
# 最后一行添加一行
print(np.append(OriginalY, [[0, 2, 11]], axis=0))
# 最后一列添加一列（注意添加元素格式）
print(np.append(OriginalY, [[0], [2], [11]], axis=1))

# 矩阵插入：Numpy.insert(参数 1：array，数组；参数 2：index，插入位置索引；参数 3： elements，添加元素；参数 4： axis=0/1)

OriginalY = np.array([[1, 2, 3],
                     [4, 5, 6],
                     [7, 8, 9]])
print(np.insert(OriginalY, 1, [11, 12, 10]))
print(np.insert(OriginalY, 1, [[11, 12, 10]], axis=0))
# 在列索引1的位置插入（注意元素格式，跟添加格式不同）
print(np.insert(OriginalY, 1, [[11, 12, 10]], axis=1))

# （6）文件加载
haha=np.loadtxt("./test.txt",dtype=str,comments='#',delimiter=",",skiprows=0,usecols=None)

# fname:读取的文件、文件名
#
# dtype：数据类型
#
# comments：注释
#
# delimiter：分隔符，默认是空格
#
# skiprows：跳过前几行读取，默认是0
#
# usecols：读取哪些列，usecols=（1， 2， 5）读取第1,2,5列，默认所有列
print(haha)