常用函數(shù)大全：

原文鏈接：https://www.cnblogs.com/TensorSense/p/6795995.html

原文：

前言：最近學(xué)習(xí)Python，才發(fā)現(xiàn)原來python里的各種庫(kù)才是大頭枉证！ 于是乎找了學(xué)習(xí)資料對(duì)Numpy庫(kù)常用的函數(shù)進(jìn)行總結(jié)矮男，并帶了注釋。在這里分享給大家室谚，對(duì)于庫(kù)的學(xué)習(xí)毡鉴，還是用到時(shí)候再查崔泵，沒必要死記硬背。

PS：本博文摘抄自中國(guó)慕課大學(xué)上的課程《Python數(shù)據(jù)分析與展示》猪瞬，推薦剛?cè)腴T的同學(xué)去學(xué)習(xí)憎瘸，這是非常好的入門視頻。

Numpy是科學(xué)計(jì)算庫(kù),是一個(gè)強(qiáng)大的N維數(shù)組對(duì)象ndarray陈瘦，是廣播功能函數(shù)幌甘。其整合C/C++.fortran代碼的工具 ，更是Scipy甘晤、Pandas等的基礎(chǔ)

.ndim ：維度

.shape ：各維度的尺度 （2含潘，5）

.size ：元素的個(gè)數(shù) 10

.dtype ：元素的類型 dtype(‘int32’)

.itemsize ：每個(gè)元素的大小饲做，以字節(jié)為單位 线婚，每個(gè)元素占4個(gè)字節(jié)

ndarray數(shù)組的創(chuàng)建

np.arange(n) ; 元素從0到n-1的ndarray類型

np.ones(shape): 生成全1

np.zeros((shape)， ddtype = np.int32) ： 生成int32型的全0

np.full(shape, val): 生成全為val

np.eye(n) : 生成單位矩陣

np.ones_like(a) : 按數(shù)組a的形狀生成全1的數(shù)組

np.zeros_like(a): 同理

np.full_like (a, val) : 同理

np.linspace（1,10,4）： 根據(jù)起止數(shù)據(jù)等間距地生成數(shù)組

np.linspace（1,10,4, endpoint = False）：endpoint 表示10是否作為生成的元素

np.concatenate():

數(shù)組的維度變換

.reshape(shape) : 不改變當(dāng)前數(shù)組盆均，依shape生成

.resize(shape) : 改變當(dāng)前數(shù)組塞弊，依shape生成

.swapaxes(ax1, ax2) : 將兩個(gè)維度調(diào)換

.flatten() : 對(duì)數(shù)組進(jìn)行降維，返回折疊后的一位數(shù)組

數(shù)組的類型變換

數(shù)據(jù)類型的轉(zhuǎn)換 ：a.astype(new_type) : eg, a.astype (np.float)

數(shù)組向列表的轉(zhuǎn)換： a.tolist()

數(shù)組的索引和切片

一維數(shù)組切片

a = np.array ([9, 8, 7, 6, 5, ])

a[1:4:2] –> array([8, 6]) ： a[起始編號(hào)：終止編號(hào)（不含）： 步長(zhǎng)]

多維數(shù)組索引

a = np.arange(24).reshape((2, 3, 4))

a[1, 2, 3] 表示 3個(gè)維度上的編號(hào)泪姨， 各個(gè)維度的編號(hào)用逗號(hào)分隔

多維數(shù)組切片

a [：游沿，：，：：2 ] 缺省時(shí)肮砾，表示從第0個(gè)元素開始诀黍，到最后一個(gè)元素

數(shù)組的運(yùn)算

np.abs(a) np.fabs(a) : 取各元素的絕對(duì)值

np.sqrt(a) : 計(jì)算各元素的平方根

np.square(a): 計(jì)算各元素的平方

np.log(a) np.log10(a) np.log2(a) : 計(jì)算各元素的自然對(duì)數(shù)、10仗处、2為底的對(duì)數(shù)

np.ceil(a) np.floor(a) : 計(jì)算各元素的ceiling 值眯勾， floor值（ceiling向上取整，floor向下取整）

np.rint(a) : 各元素 四舍五入

np.modf(a) : 將數(shù)組各元素的小數(shù)和整數(shù)部分以兩個(gè)獨(dú)立數(shù)組形式返回

np.exp(a) : 計(jì)算各元素的指數(shù)值

np.sign(a) : 計(jì)算各元素的符號(hào)值 1（+）婆誓，0吃环，-1（-）

.

np.maximum(a, b) np.fmax() : 比較（或者計(jì)算）元素級(jí)的最大值

np.minimum(a, b) np.fmin() : 取最小值

np.mod(a, b) : 元素級(jí)的模運(yùn)算

np.copysign(a, b) : 將b中各元素的符號(hào)賦值給數(shù)組a的對(duì)應(yīng)元素

數(shù)據(jù)的CSV文件存取

CSV (Comma-Separated Value,逗號(hào)分隔值) 只能存儲(chǔ)一維和二維數(shù)組

np.savetxt(frame, array, fmt=’% .18e’, delimiter = None): frame是文件、字符串等洋幻，可以是.gz .bz2的壓縮文件郁轻； array 表示存入的數(shù)組； fmt 表示元素的格式 eg： %d % .2f % .18e ; delimiter： 分割字符串文留，默認(rèn)是空格

eg： np.savetxt(‘a(chǎn).csv’, a, fmt=%d, delimiter = ‘,’ )

np.loadtxt(frame, dtype=np.float, delimiter = None, unpack = False) : frame是文件好唯、字符串等，可以是.gz .bz2的壓縮文件燥翅； dtype：數(shù)據(jù)類型骑篙，讀取的數(shù)據(jù)以此類型存儲(chǔ)； delimiter: 分割字符串权旷，默認(rèn)是空格; unpack: 如果為True替蛉， 讀入屬性將分別寫入不同變量贯溅。

多維數(shù)據(jù)的存取

a.tofile(frame, sep=’’, format=’%s’ ) : frame: 文件、字符串躲查； sep: 數(shù)據(jù)分割字符串它浅，如果是空串，寫入文件為二進(jìn)制 镣煮； format:： 寫入數(shù)據(jù)的格式

eg: a = np.arange(100).reshape(5, 10, 2)

a.tofile(“b.dat”, sep=”,”, format=’%d’)

np.fromfile(frame, dtype = float, count=-1, sep=’’)： frame： 文件姐霍、字符串 ； dtype： 讀取的數(shù)據(jù)以此類型存儲(chǔ)典唇； count：讀入元素個(gè)數(shù)镊折， -1表示讀入整個(gè)文件； sep: 數(shù)據(jù)分割字符串介衔，如果是空串恨胚，寫入文件為二進(jìn)制

PS: a.tofile() 和np.fromfile（）要配合使用，要知道數(shù)據(jù)的類型和維度炎咖。

np.save(frame, array) : frame: 文件名赃泡，以.npy為擴(kuò)展名，壓縮擴(kuò)展名為.npz 乘盼； array為數(shù)組變量

np.load(fname) : frame: 文件名升熊，以.npy為擴(kuò)展名，壓縮擴(kuò)展名為

np.save() 和np.load() 使用時(shí)绸栅，不用自己考慮數(shù)據(jù)類型和維度级野。

numpy隨機(jī)數(shù)函數(shù)

numpy 的random子庫(kù)

rand(d0, d1, …,dn) : 各元素是[0, 1）的浮點(diǎn)數(shù)，服從均勻分布

randn(d0, d1, …,dn)：標(biāo)準(zhǔn)正態(tài)分布

randint(low粹胯， high,（ shape）): 依shape創(chuàng)建隨機(jī)整數(shù)或整數(shù)數(shù)組蓖柔，范圍是[ low, high）

seed(s) ： 隨機(jī)數(shù)種子

shuffle(a) : 根據(jù)數(shù)組a的第一軸進(jìn)行隨機(jī)排列，改變數(shù)組a

permutation(a) : 根據(jù)數(shù)組a的第一軸進(jìn)行隨機(jī)排列矛双， 但是不改變?cè)瓟?shù)組渊抽，將生成新數(shù)組

choice(a[, size, replace, p]) : 從一維數(shù)組a中以概率p抽取元素， 形成size形狀新數(shù)組议忽，replace表示是否可以重用元素懒闷，默認(rèn)為False。

eg：

replace = False時(shí)栈幸，選取過的元素將不會(huì)再選取

uniform(low, high, size) : 產(chǎn)生均勻分布的數(shù)組愤估，起始值為low，high為結(jié)束值速址，size為形狀

normal(loc, scale, size) : 產(chǎn)生正態(tài)分布的數(shù)組玩焰， loc為均值，scale為標(biāo)準(zhǔn)差芍锚，size為形狀

poisson(lam, size) : 產(chǎn)生泊松分布的數(shù)組昔园， lam隨機(jī)事件發(fā)生概率蔓榄，size為形狀

eg: a = np.random.uniform(0, 10, (3, 4)) a = np.random.normal(10, 5, (3, 4))

numpy的統(tǒng)計(jì)函數(shù)

sum(a, axis = None) : 依給定軸axis計(jì)算數(shù)組a相關(guān)元素之和，axis為整數(shù)或者元組

mean(a, axis = None) : 同理默刚，計(jì)算平均值

average(a, axis =None, weights=None) : 依給定軸axis計(jì)算數(shù)組a相關(guān)元素的加權(quán)平均值

std（a, axis = None） ：同理甥郑，計(jì)算標(biāo)準(zhǔn)差

var（a, axis = None）: 計(jì)算方差

eg： np.mean(a, axis =1) ： 對(duì)數(shù)組a的第二維度的數(shù)據(jù)進(jìn)行求平均

a = np.arange(15).reshape(3, 5)

np.average(a, axis =0, weights =[10, 5, 1]) : 對(duì)a第一各維度加權(quán)求平均，weights中為權(quán)重荤西，注意要和a的第一維匹配

min(a) max(a) : 計(jì)算數(shù)組a的最小值和最大值

argmin(a) argmax(a) : 計(jì)算數(shù)組a的最小澜搅、最大值的下標(biāo)（注：是一維的下標(biāo)）

unravel_index(index, shape) : 根據(jù)shape將一維下標(biāo)index轉(zhuǎn)成多維下標(biāo)

ptp(a) : 計(jì)算數(shù)組a最大值和最小值的差

median(a) : 計(jì)算數(shù)組a中元素的中位數(shù)（中值）

eg：a = [[15, 14, 13],

[12, 11, 10] ]

np.argmax(a) –> 0

np.unravel_index( np.argmax(a), a.shape) –> (0,0)

numpy的梯度函數(shù)

np.gradient(a) ： 計(jì)算數(shù)組a中元素的梯度，f為多維時(shí)邪锌，返回每個(gè)維度的梯度

離散梯度： xy坐標(biāo)軸連續(xù)三個(gè)x軸坐標(biāo)對(duì)應(yīng)的y軸值：a, b, c 其中b的梯度是（c-a）/2

而c的梯度是： (c-b)/1

當(dāng)為二維數(shù)組時(shí)勉躺，np.gradient(a) 得出兩個(gè)數(shù)組，第一個(gè)數(shù)組對(duì)應(yīng)最外層維度的梯度觅丰，第二個(gè)數(shù)組對(duì)應(yīng)第二層維度的梯度饵溅。

圖像的表示和變換

PIL， python image library 庫(kù)

from PIL import Image

Image是PIL庫(kù)中代表一個(gè)圖像的類（對(duì)象）

im = np.array(Image.open(“.jpg”))

im = Image.fromarray(b.astype(‘uint8’)) # 生成

im.save(“路徑.jpg”) # 保存

im = np.array(Image.open(“.jpg”).convert(‘L’)) # convert(‘L’)表示轉(zhuǎn)為灰度圖

附加

1.?【python】random與numpy.random

鏈接：http://www.reibang.com/p/36a4bbb5536e

2.np.argwhere( a)?

返回非0的數(shù)組元組的索引舶胀，其中a是要索引數(shù)組的條件概说。

3.astype()

使用一組數(shù)據(jù)類型變換另一組數(shù)據(jù)類型：

實(shí)例：

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

print(a)

b = np.array([1.])

print(b)

a = a.astype(b.dtype)

print(a)

結(jié)果打颖套ⅰ：

[1 2 3]?

[1.]

?[1. 2. 3.]

4.布爾索引

實(shí)例1：

a=np.array([[1,2,3],[4,5,6]])

b=a>3

print(b)

print(a[b])

print(a[[True,False]])

結(jié)果打酉ァ：

[[False False False]

[ True? True? True]]

[4 5 6]

[[1 2 3]]

實(shí)例2：

b=np.array([True,True,False,True,False])

a=np.array([1,2,3,4,5])

print(a[b])

print(a[b>0])

print(a[b==False])

打印結(jié)果：

[1 2 4]

[1 2 4]

[3 5]

5.where()

(1)np.where(condition, x, y)

????滿足條件(condition)，輸出x萍丐，不滿足輸出y轩端。

實(shí)例：

a=np.array([[1,2,3],[4,5,6]])

print(np.where(a<3,0,a))

打印結(jié)果：

[[0 0 3]

[4 5 6]]

(2)np.where(condition)

????只有條件 (condition)，沒有x和y逝变，則輸出滿足條件 (即非0) 元素的坐標(biāo) (等價(jià)于numpy.nonzero)基茵。這里的坐標(biāo)以tuple的形式給出，通常原數(shù)組有多少維壳影，輸出的tuple中就包含幾個(gè)數(shù)組拱层，分別對(duì)應(yīng)符合條件元素的各維坐標(biāo)。

實(shí)例：

a=np.array([[1,2,3],[4,5,6]])

b=np.where(a<3)

print(b)

打印結(jié)果：

(array([0, 0], dtype=int64), array([0, 1], dtype=int64))

進(jìn)一步實(shí)例：

a=np.array([[1,2,3],[4,5,6]])

b=np.where(a<3)

print(a[b])

打印結(jié)果：

[1 2]

原文鏈接：https://www.cnblogs.com/massquantity/p/8908859.html

6.arywhere()

實(shí)例：

a=np.array([[1,2,3],[4,5,6]])

index=np.argwhere(a<3)

print(index)

打印結(jié)果：

[[0 0]

[0 1]]

拿打印結(jié)果索引反而不同：

a=np.array([[1,2,3],[4,5,6]])

index=np.argwhere(a<3)

print(a[index])

結(jié)果打友邕帧：

[[[1 2 3]

? [1 2 3]]

[[1 2 3]

? [4 5 6]]]

7.軸變換

原文鏈接：https://blog.csdn.net/u012762410/article/details/78912667

（1）transpose()

實(shí)例1：

a = np.array([[1,2,3],[4,5,6]])

a=a.transpose((1,0))

print(a)

打印結(jié)果：

[[1 4]

[2 5]

[3 6]]

實(shí)例2：

a = np.arange(12).reshape(1,2,6)

print(a)

a = a.transpose(0,2,1)

print(a)

打印結(jié)果：

[[[ 0 1 2 3 4 5]

? [ 6? 7? 8? 9 10 11]]]

[[[ 0? 6]

? [ 1? 7]

? [ 2? 8]

? [ 3? 9]

? [ 4 10]

? [ 5 11]]]

（2）swapaxes()

實(shí)例：

a = np.arange(12).reshape(1,2,6)

print(a)

print(a.)

a=a.swapaxes(1,2)

print(a)

print(a.shape)

結(jié)果打痈啤：

[[[ 0 1 2 3 4 5]

? [ 6? 7? 8? 9 10 11]]]

[[[ 0? 6]

? [ 1? 7]

? [ 2? 8]

? [ 3? 9]

? [ 4 10]

? [ 5 11]]]

(1, 6, 2)

8.花式索引

拿一個(gè)數(shù)組索引數(shù)組。

實(shí)例：

a = np.array([[1,2,3],[4,5,6],[7,8,9],[0,3,22]])

print(a[[0,1,2]])

print(a[[1,2]])

結(jié)果打硬粽ぁ：

[[1 2 3]

[4 5 6]

[7 8 9]]

[[4 5 6]

[7 8 9]]

9.求逆np.linalg.inv()

實(shí)例：

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

print(a)

a_=np.linalg.inv(a)

print(a_)

print(a.dot(a_))#相乘得到單位矩陣烙肺，檢驗(yàn)結(jié)果

打印結(jié)果：

[[1 2]

[2 1]]

[[-0.33333333? 0.66666667]

[ 0.66666667 -0.33333333]]

[[1. 0.]

[0. 1.]]