Python的第三方擴(kuò)展庫(kù)趾徽，是其他數(shù)據(jù)分析模塊的基礎(chǔ)朽缎，主要用于數(shù)組惨远、矩陣計(jì)算（比列表快得多）等方面
安裝
pip install numpy
常用方法
array()
創(chuàng)建數(shù)組，舉例：
創(chuàng)建一維數(shù)組：numpy.array([x,y,...])
二維數(shù)組：numpy.array([[x,y...],[x,y...],[x,y...])
注：
創(chuàng)建的數(shù)組如果想看格式（幾行幾列）话肖，就通過(guò)array.shape來(lái)看就行了北秽，要知道是幾維的數(shù)據(jù)，可以通過(guò)array.ndim查看最筒，舉例：
>>> z = np.array([[1,2],[3,4],[5,6]])
>>> z.ndim
2
#2維
>>> z.shape
(3, 2)
#3行兩列
>>> m = np.array([1,2])
>>> m.shape
(2,)
#1行兩列
注2：
數(shù)組創(chuàng)建后大小就固定了贺氓，所以如果想要進(jìn)行增刪改查則可以參考如下方法：
- 增：使用
tile()擴(kuò)展、vstack()合并床蜘、轉(zhuǎn)成列表操作再轉(zhuǎn)回來(lái)（參考后面） - 刪：可以直接像
a=a[0]辙培，那么就只有一行了、分片操作 - 改：直接改
- 查：直接查邢锯，可以參考后面的數(shù)組切片
舉例：
>>> a = np.array([1,2,3,4])
>>> np.tile(a, 2) #此時(shí)第二個(gè)參數(shù)相當(dāng)于(1,2)扬蕊，即擴(kuò)展成1行2列（x軸變成原來(lái)2倍）
array([1, 2, 3, 4, 1, 2, 3, 4])
數(shù)組操作
對(duì)數(shù)組的操作都是通過(guò)依次對(duì)其中的元素進(jìn)行相同操作，舉例：
>>> x = np.array([-1,0,1,2,3])
>>> x
array([-1, 0, 1, 2, 3])
>>> x > 1 #依次判斷丹擎，若滿足條件則True尾抑，否則False
array([False, False, False, True, True])
>>> x * 2 #依次對(duì)所有元素乘2
array([-2, 0, 2, 4, 6])
>>> x = np.array([[1,2],[3,4]])
>>> x[x>2] = 0
# 將數(shù)組中大于2的值都置0
>>> x
array([[1, 2],
[0, 0]])
>>> x = np.arange(0, 5)
>>> x
array([0, 1, 2, 3, 4])
>>> y = x[:, np.newaxis]
# 把x轉(zhuǎn)成二維就是y
>>> y
array([[0],
[1],
[2],
[3],
[4]])
>>> x + y
# 對(duì)于兩個(gè)不是相同格式的數(shù)據(jù)添加，會(huì)自動(dòng)拓展成兩個(gè)都合適的維度進(jìn)行計(jì)算蒂培，后面會(huì)還原計(jì)算過(guò)程
array([[0, 1, 2, 3, 4],
[1, 2, 3, 4, 5],
[2, 3, 4, 5, 6],
[3, 4, 5, 6, 7],
[4, 5, 6, 7, 8]])
>>> x1 = np.tile(x, (5, 1))
# 把x的行復(fù)制成原來(lái)的5倍
>>> x1
array([[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]])
>>> y1 = np.tile(y, (1, 5))
# 把y的列復(fù)制成原來(lái)的5倍
>>> y1
array([[0, 0, 0, 0, 0],
[1, 1, 1, 1, 1],
[2, 2, 2, 2, 2],
[3, 3, 3, 3, 3],
[4, 4, 4, 4, 4]])
>>> x1 + y1
# 可以看到結(jié)果和之前是一樣的
array([[0, 1, 2, 3, 4],
[1, 2, 3, 4, 5],
[2, 3, 4, 5, 6],
[3, 4, 5, 6, 7],
[4, 5, 6, 7, 8]])
注：
數(shù)組是可以定義里面所有的類型統(tǒng)一的（通過(guò)astype方法或者有些數(shù)據(jù)讀取自帶類型再愈，比如圖片讀取默認(rèn)是np.uint8），所以在對(duì)數(shù)組進(jìn)行操作前需要判斷數(shù)據(jù)類型是否符合要求或者需要轉(zhuǎn)型护戳，否則將可能發(fā)生數(shù)據(jù)被自動(dòng)轉(zhuǎn)型或者操作失敗等問(wèn)題翎冲，舉例：
>>> x = np.array([[-1,0,1], [2,3,4]], np.int8)
# 數(shù)據(jù)類型是int8：-256~255
>>> x[1, :] = [1., 2., 300.]
>>> x
array([[-1, 0, 1],
[ 1, 2, 44]], dtype=int8)
# 300超過(guò)邊界，被自動(dòng)轉(zhuǎn)成44（300-255媳荒，從0開(kāi)始）
數(shù)組索引
數(shù)組除了可以通過(guò)輸入對(duì)應(yīng)行列或者切片（后面會(huì)介紹）進(jìn)行索引以外抗悍，也可以輸入一個(gè)列表進(jìn)行批量指定索引，舉例：
>>> x = np.array([-1,0,1,2,3])
>>> x[[1,2,4]]
# 索引第2,3,5個(gè)數(shù)據(jù)
array([0, 1, 3])
注：
輸入列表是批量索引肺樟，但輸入的如果是元組檐春，則是指定坐標(biāo)索引逻淌，舉例：
>>> x = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> x
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> x[[0,1]]
# 輸入列表么伯，代表要第一行和第二行
array([[1, 2, 3],
[4, 5, 6]])
>>> x[(0,1)]
# 輸入元組，代表要第一行第二列的數(shù)據(jù)
2
>>> x[(0,1), (1,1)]
# 要坐標(biāo)為0,1和1,1的數(shù)據(jù)
array([2, 5])
>>> x[(0,1,1)]
# 用元組默認(rèn)是當(dāng)成一組坐標(biāo)卡儒，因此必須是2個(gè)值成對(duì)出現(xiàn)田柔，這里輸入3個(gè)俐巴，而數(shù)據(jù)是二維，自然就報(bào)錯(cuò)了
Traceback (most recent call last):
File "<pyshell#35>", line 1, in <module>
x[(0,1,1)]
IndexError: too many indices for array
邏輯操作
從前面的代碼可以知道數(shù)組可以進(jìn)行整體的邏輯判斷硬爆，但是前面的示例都是單個(gè)條件判斷欣舵，如果想進(jìn)行多個(gè)判斷后再進(jìn)行與或異或這些操作，可以使用logical_and()等這類邏輯操作方法缀磕，舉例：
>>> a = np.array([[1,2,3], [1,2,""], [1,2,None]])
>>> np.logical_and.reduce([a!="", a!=None])
array([[ True, True, True],
[ True, True, False],
[ True, True, False]])
# 同時(shí)判斷值不為空字符串和None
上面的方法只能對(duì)兩個(gè)條件進(jìn)行判斷缘圈，多個(gè)條件的情況參考：
http://www.reibang.com/p/1146b51ae6de
sort()
排序，正常排袜蚕，遇到無(wú)法排序的放最后糟把，舉例：
>>> x = np.array([1,3,2,'a',5])
>>> x
array(['1', '3', '2', 'a', '5'], dtype='<U11') #排序前
>>> x.sort()
>>> x
array(['1', '2', '3', '5', 'a'], dtype='<U11') #排序后
注：
二維數(shù)組排序只排每一行里面的，其他行之間互不干擾
max()
求最大值牲剃，如果在二維數(shù)組中遣疯，每行的列數(shù)相等，那么最大值就是所有元素里最大的凿傅，舉例：
>>> x = np.array([[1,2,3,5],[1,2,0,0],[5,8,23,1]])
>>> x.max()
23
但如果每行列數(shù)不同缠犀，返回的就是數(shù)開(kāi)頭最大的那一行（假如第一個(gè)一樣，再比第二個(gè)...）聪舒，舉例：
>>> x = np.array([[3,2,1,4,10],[1,2,0,0],[3,6,9,1]])
>>> x.max()
[3, 6, 9, 1]
注：
最小值min()辨液，平均值是mean()，加權(quán)平均值是average()过椎，標(biāo)準(zhǔn)差是std()
[:]
數(shù)組切片室梅，參考列表，舉例：
>>> b = np.array([1,2,3,4,5])
>>> b[1:3]
array([2, 3])
>>> a = np.array(([1,2,3,4],[5,6,7,8],[9,10,11,12]))
>>> a[1:]
array([[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> a[:][1] #切出所有行疚宇，取第2個(gè)
array([5, 6, 7, 8])
>>> a[:][1:] #切出所有行亡鼠，取第二個(gè)2到最后一個(gè)
array([[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
可以看出上面只能切出行而不能切分列（其將行看作整體來(lái)切分），所以推薦使用下面的針對(duì)數(shù)組特殊的切片方法來(lái)切分行列敷待，格式：[:,:]间涵，在一個(gè)括號(hào)里寫(xiě)分片，逗號(hào)分隔行列榜揖，舉例：
>>> a = np.array(([1,2,3,4],[5,6,7,8],[9,10,11,12]))
>>> a[1:, 1] #取第二勾哩、三行的第二列數(shù)據(jù)
array([ 6, 10])
>>> a[:, 0:3] #取所有行的第一列到第三列數(shù)據(jù)
array([[ 1, 2, 3],
[ 5, 6, 7],
[ 9, 10, 11]])
...
省略號(hào)在數(shù)組當(dāng)中也是可以使用的，也是切片的一種举哟，但有所不同思劳，舉例：
>>> x = np.array([[[1],[2],[3]], [[4],[5],[6]]])
>>> x.shape
(2, 3, 1)
>>> x[...,0]
array([[1, 2, 3],
[4, 5, 6]])
>>> x[:,0]
# 發(fā)現(xiàn)和x[...,0]結(jié)果不一樣
array([[1],
[4]])
>>> x[:,:,0]
# 和x[...,0]結(jié)果一樣
array([[1, 2, 3],
[4, 5, 6]])
從上面可以看出...的切片效果就是將所有...以外沒(méi)設(shè)置范圍的地方都調(diào)整為:
random.randint(x,y,n)
隨機(jī)數(shù)整數(shù)生成，前兩個(gè)參數(shù)代表范圍妨猩，第三個(gè)為可選潜叛，表示生成格式或者數(shù)量，比如：
>>> np.random.randint(1,10,10)
# 隨機(jī)生成10個(gè)1到10的隨機(jī)數(shù)
array([ 6, 5, 7, 6, 5, 4, 9, 9, 10, 5])
>>> np.random.randint(0, 256, (100, 80))
# 隨機(jī)生成格式為100行80列的數(shù)組
array([[ 46, 100, 98, ..., 56, 97, 172],
[ 60, 141, 217, ..., 208, 157, 70],
[189, 200, 13, ..., 193, 95, 80],
...,
[ 88, 155, 253, ..., 183, 139, 182],
[ 24, 101, 117, ..., 103, 30, 77],
[ 88, 236, 35, ..., 47, 211, 189]])
上面那個(gè)是生成整數(shù)的隨機(jī)數(shù)，還有rand()用來(lái)生成0到1之間的隨機(jī)數(shù)威兜，中間可以加參數(shù)代表生成幾個(gè)销斟，舉例：
>>> np.random.rand(10) #生成10個(gè)0-1的隨機(jī)數(shù)
array([0.42462596, 0.0985224 , 0.22108224, 0.46230285, 0.40928969,
0.54201574, 0.88982411, 0.8450716 , 0.21384846, 0.38896833])
random.random.normal(μ,σ,n)
生成一堆符合正態(tài)分布的數(shù)，第一個(gè)參數(shù)是均值椒舵，第二個(gè)參數(shù)是標(biāo)準(zhǔn)差蚂踊，第三個(gè)參數(shù)是生成數(shù)，舉例：
>>> a = np.random.normal(0,1,10)
>>> a
array([-0.55491277, -1.1161704 , 0.97514814, 1.99653332, -0.08500584,
0.64075696, 1.96409159, -0.11636198, 0.52605946, 0.90563603])
>>> a.mean()
0.513577451404013
>>> a.std()
0.9612030098851562
#當(dāng)生成的數(shù)多了笔宿，精度自然也會(huì)提高
更多numpy.random參考：
http://www.mamicode.com/info-detail-507676.html
arange()
類似range犁钟，前兩個(gè)參數(shù)代表范圍，第三個(gè)代表階值類似range泼橘，舉例：
>>> np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.arange(1,10,2)
array([1, 3, 5, 7, 9])
注：
發(fā)現(xiàn)了嗎特纤，像python自帶的random、range雖然和這些幾乎一樣侥加，但有個(gè)區(qū)別就是numpy下的這幾個(gè)方法生成的都是array類型的捧存，原來(lái)那些都是list類型
concatenate()
將數(shù)組整合在一起，數(shù)組不像列表那樣可以直接加著整合担败，比如列表里：
>>> a = [1,2,3]
>>> b = [4,5,6]
>>> a+b
[1, 2, 3, 4, 5, 6]
>>> a*2
[1, 2, 3, 1, 2, 3]
從上面可以看出對(duì)列表進(jìn)行運(yùn)算都是把列表當(dāng)成整體來(lái)運(yùn)算昔穴，而對(duì)于數(shù)組里：
>>> a = np.array([1,2,3])
>>> b = np.array([4,5,6])
>>> a + b
array([5, 7, 9])
>>> a * 2
array([2, 4, 6])
可以看出對(duì)數(shù)組的運(yùn)算是對(duì)他里面的值進(jìn)行運(yùn)算，因此要對(duì)數(shù)組進(jìn)行列表那樣的操作提前，就需要用上面那個(gè)方法吗货，對(duì)上面的a、b舉例：
>>> np.concatenate((a, b)) #以元組形式傳入
array([1, 2, 3, 4, 5, 6])
sum()
計(jì)算總和狈网，舉例：
>>> np.sum([1,2,3])
6
上面的是對(duì)行內(nèi)相加宙搬，如果是多行數(shù)據(jù)，并且希望是各行的對(duì)應(yīng)數(shù)據(jù)之間相加拓哺，可以設(shè)置參數(shù)：axis=0（默認(rèn)為1勇垛，即行內(nèi)相加），舉例：
>>> a = np.array([[1,2,3,4], [5,6,7,8], [1, 2, 3, 4]])
>>> a.sum() #全部數(shù)據(jù)之和
46
>>> a.sum(axis=0) #各行對(duì)應(yīng)數(shù)據(jù)之和
array([ 7, 10, 13, 16])
注：
其他計(jì)算操作如：求對(duì)數(shù)用np.log()士鸥，向上取整用np.ceil()闲孤，比如3.1就變成4
unique()
去重，舉例：
>>> np.unique([1,2,3,1,2,3,5,6,4])
array([1, 2, 3, 4, 5, 6])
>>> np.unique(np.array([1,2,3,1,2,3,5,6,4])) #對(duì)數(shù)組烤礁、列表都可以讼积，但最終都是變成數(shù)組
array([1, 2, 3, 4, 5, 6])
drop()
丟棄
fillna()
對(duì)丟失值的填充
tile()
復(fù)制擴(kuò)展數(shù)組，有兩個(gè)參數(shù)脚仔，第一個(gè)是要復(fù)制擴(kuò)展的數(shù)組勤众，第二個(gè)參數(shù)是個(gè)元組，意思是變成幾行幾列鲤脏，舉例：
>>> a = np.array([1,2,3,4])
>>> np.tile(a, 2) #此時(shí)第二個(gè)參數(shù)相當(dāng)于(1,2)们颜，即擴(kuò)展成1行2列（x軸變成原來(lái)2倍）
array([1, 2, 3, 4, 1, 2, 3, 4])
第二個(gè)參數(shù)的元組有幾位，就代表幾維，一般都是用二維掌桩，即兩個(gè)值，代表幾行幾列姑食，在列上擴(kuò)展舉例1：
>>> np.tile(a, (2, 1)) #擴(kuò)展成2行1列
array([[1, 2, 3, 4],
[1, 2, 3, 4]])
其還能擴(kuò)展到更多維波岛，如三維舉例：
>>> np.tile(a, (3, 2, 1)) #在三維下，分3組音半，每組2行1列
array([[[1, 2, 3, 4],
[1, 2, 3, 4]],
[[1, 2, 3, 4],
[1, 2, 3, 4]],
[[1, 2, 3, 4],
[1, 2, 3, 4]]])
四維舉例：
>>> np.tile(a, (2, 3, 3, 2)) #在4維下则拷，分2組，每組3個(gè)曹鸠，每個(gè)3行2列
array([[[[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4]],
[[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4]],
[[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4]]],
[[[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4]],
[[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4]],
[[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4],
[1, 2, 3, 4, 1, 2, 3, 4]]]])
發(fā)現(xiàn)了嗎煌茬，可以這樣理解第二個(gè)參數(shù)，那就是元組的最后兩個(gè)數(shù)代表變成原來(lái)的幾行幾列彻桃，前面的數(shù)都是分多少組多少個(gè)坛善，比如三維的3個(gè)數(shù)分別代表：幾組幾行幾列；四維分別代表：幾組幾個(gè)幾行幾列邻眷；五維：幾組幾個(gè)幾塊幾行幾列眠屎；六…（單位是瞎編的，但是意思沒(méi)錯(cuò)）
zero()
生成一個(gè)自定義大小值全為0的數(shù)組肆饶，傳入?yún)?shù)是一個(gè)列表或元組改衩，代表幾行幾列，舉例：
>>> np.zeros([2,5])
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
其傳入的列表也可以是多維的驯镊，比如：
>>> np.zeros([2,2,5]) #2組葫督，每組2行5列
array([[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]],
[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]]])
多維的用法和tile()函數(shù)的基本一樣，參考上面即可
注：
numpy里還有生成一個(gè)自定義大小值全為1的數(shù)組放方法：ones()板惑，還有值都為空的數(shù)組：empty()
vstack()/hstack()
將兩個(gè)數(shù)組在垂直/水平方向合并橄镜，舉例：
>>> a = np.array([1,2,3,4])
>>> b = np.array([5,6,7,8])
>>> np.hstack((a,b))
array([1, 2, 3, 4, 5, 6, 7, 8])
>>> np.vstack((a,b))
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
注：
如果是對(duì)當(dāng)前數(shù)組自己進(jìn)行垂直/水平方向合并，則相當(dāng)于轉(zhuǎn)成二維或者一維冯乘，舉例：
>>> a = np.array([1,2,3,4])
>>> b = np.array([5,6,7,8])
>>> np.hstack(a)
array([1, 2, 3, 4])
>>> np.vstack(a)
array([[1],
[2],
[3],
[4]])
stack
也是把數(shù)組堆疊在一起蛉鹿，可以指定維度，默認(rèn)維度是0往湿，,即把數(shù)組看作一個(gè)整體堆疊在后面妖异，和concatenate/vstack/hstack的區(qū)別參考：
https://cloud.tencent.com/developer/article/1378491
https://www.cnblogs.com/nkh222/p/8932369.html
舉例：
>>> a = np.array([[1, 2, 3], [4, 5, 6]])
>>> a
array([[1, 2, 3],
[4, 5, 6]])
>>> b = a
>>> np.vstack((a, b))
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
>>> np.hstack((a, b))
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]])
# 整個(gè)拼在右邊
>>> np.concatenate((a, b))
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
>>> np.stack((a, b))
array([[[1, 2, 3],
[4, 5, 6]],
[[1, 2, 3],
[4, 5, 6]]])
stack的第二個(gè)參數(shù)，用于設(shè)置在第幾個(gè)維度進(jìn)行堆疊领追，舉例：
>>> a = np.array([[1, 2, 3], [4, 5, 6]])
>>> a
array([[1, 2, 3],
[4, 5, 6]])
>>> a.shape
(2, 3)
>>> b = a
>>> np.stack((a, b), axis=0)
array([[[1, 2, 3],
[4, 5, 6]],
[[1, 2, 3],
[4, 5, 6]]])
# 在第0個(gè)維度堆疊他膳，相當(dāng)于新建一個(gè)維度
>>> np.stack((a, b), axis=0).shape
(2, 2, 3)
# 所以數(shù)據(jù)a從(2, 3) -> (1, 2, 3) -> (2, 2, 3)
>>> np.stack((a, b), axis=1)
array([[[1, 2, 3],
[1, 2, 3]],
[[4, 5, 6],
[4, 5, 6]]])
>>> np.stack((a, b), axis=1).shape
(2, 2, 3)
# 在第1個(gè)維度進(jìn)行堆疊，所以數(shù)據(jù)a從(2, 3) -> (2, 1, 3) -> (2, 2, 3)
>>> np.stack((a, b), axis=2)
array([[[1, 1],
[2, 2],
[3, 3]],
[[4, 4],
[5, 5],
[6, 6]]])
>>> np.stack((a, b), axis=2).shape
(2, 3, 2)
# 在第2個(gè)維度進(jìn)行堆疊绒窑，所以數(shù)據(jù)從(2, 3) -> (2, 3, 1) -> (2, 3, 2)
>>> np.stack((a, b), axis=-1)
array([[[1, 1],
[2, 2],
[3, 3]],
[[4, 4],
[5, 5],
[6, 6]]])
# -1代表在最后一個(gè)維度進(jìn)行堆疊棕孙，所以看出和2的時(shí)候結(jié)果一樣
linspace()
生成一個(gè)等差數(shù)列，舉例：
>>> np.linspace(-1,1,5, dtype=np.float32) # -1到1分成5份的等差數(shù)列
array([-1. , -0.5, 0. , 0.5, 1. ], dtype=float32)
newaxis
如果直接輸出，你會(huì)發(fā)現(xiàn)他就是None（源碼里就是newaxis = None）蟀俊，但是他常被用來(lái)添加一個(gè)新的維度钦铺，比如一維向量變二維矩陣，二維則變?nèi)S等等肢预，可能因?yàn)?code>None在這里有這個(gè)功能矛洞，因?yàn)闉榱朔奖汩喿x程序而設(shè)置了一個(gè)別名，使用舉例：
>>> np.newaxis == None # 可以發(fā)現(xiàn)他就是None
True
>>> x = np.array([1,2,3,4])
>>> x
array([1, 2, 3, 4])
>>> x.shape # 可以看出是一維的向量
(4,)
>>> x[:, np.newaxis]
array([[1],
[2],
[3],
[4]])
>>> x[:, np.newaxis].shape # 變成二維了
(4, 1)
sin()/cos()
正弦/余弦函數(shù)烫映，舉例：
>>> np.sin(math.pi/6)
0.49999999999999994
astype()
類型轉(zhuǎn)換沼本，舉例：
>>> y
array([False, False, False, True, True])
>>> y.astype(np.int) #將bool類型轉(zhuǎn)int
array([0, 0, 0, 1, 1])
數(shù)據(jù)類型范圍：
這里列一些常用數(shù)據(jù)類型及對(duì)應(yīng)范圍：
NaN 沒(méi)有填東西，也就是空
inf 無(wú)窮大
int8 -128~127
uint8 0~256
int16 32768~32767
uint16 0~65535
int/int32 -2^32~2^32-1
float16 半精度浮點(diǎn)型
float32 單精度浮點(diǎn)型
float_/float64 雙精度浮點(diǎn)型
更多參考：https://www.runoob.com/numpy/numpy-dtype.html
dot()
矩陣相乘锭沟，舉例：
>>> x = np.array([[1,2],[3,4]])
>>> y = np.array([[1,1],[1,1]])
>>> np.dot(x, y)
array([[3, 3],
[7, 7]])
也可以通過(guò)python內(nèi)置的@符號(hào)實(shí)現(xiàn)矩陣相乘抽兆，舉例：
>>> x = np.array([[1,2],[3,4]])
>>> y = np.array([[1,1],[1,1]])
>>> x@y
array([[3, 3],
[7, 7]])
T
矩陣轉(zhuǎn)置，即x和y對(duì)調(diào)過(guò)來(lái)族淮，舉例：
>>> x = np.array([[1,2], [0, 1]])
>>> x
array([[1, 2],
[0, 1]])
>>> x.T
array([[1, 0],
[2, 1]])
mat()
定義矩陣辫红，雖然array也能夠定義矩陣，但并不是真正的矩陣祝辣，只是可以定義矩陣的形狀厉熟，因此也缺少了一些矩陣專門(mén)有的方法，比如求逆矩陣（I屬性實(shí)現(xiàn)）较幌，舉例：
>>> x = np.mat([[1,2], [0, 1]])
>>> x
matrix([[1, 2],
[0, 1]])
>>> x.I
matrix([[ 1., -2.],
[ 0., 1.]])
>>> x @ x.I
# 可以看到相乘結(jié)果為1001揍瑟，也就證明是逆矩陣了
matrix([[1., 0.],
[0., 1.]])
argmax()/argmin()
索引維度當(dāng)中最大值/最小值，舉例：
>>> x = np.array([[0.1, 0.6, 0.1], [0.3, 0.1, 0.6],[0.2, 0.5, 0.3], [0.8, 0.1, 0.1]])
>>> y = np.argmax(x) #索引整個(gè)數(shù)組最大元素
>>> y
9
#第10個(gè)最大乍炉，為0.8
>>> y = np.argmax(x, axis=1) #在每個(gè)維度（沿著一維方向）里面索引最大值
>>> y
array([1, 2, 1, 0], dtype=int32)
#每個(gè)維度最大的分別是0.6,0.6,0.5,0.8绢片，位置分別是1,2,1,0
argsort()
沿著索引維度從小到大排序，返回的是排序后的索引岛琼，舉例：
>>> x = np.array([2,1,5,4,3])
>>> x.argsort()
# 可以看到從小到大排序的索引
array([1, 0, 4, 3, 2], dtype=int64)
>>> x[x.argsort()]
# 通過(guò)索引查看對(duì)應(yīng)排序的值
array([1, 2, 3, 4, 5])
>>> (-x).argsort()
# 如果想要從大到小排序底循，可以乘個(gè)負(fù)號(hào)
array([2, 3, 4, 0, 1], dtype=int64)
arctan
計(jì)算某個(gè)點(diǎn)的正切，舉例：
>>> np.arctan(2/1)
1.1071487177940904
如果想知道對(duì)應(yīng)的角度就可以乘以180/π槐瑞，也可以用numpy下的rad2deg()方法熙涤，舉例：
>>> np.arctan(2/1) * 180 / np.pi
63.43494882292201
>>> np.rad2deg(np.arctan(2/1))
63.43494882292201
# 可以看出結(jié)果一樣
arctan2
和上面的很像，也是計(jì)算某個(gè)點(diǎn)的正切困檩。但前者是計(jì)算某個(gè)點(diǎn)在正切曲線上對(duì)應(yīng)的值祠挫，而這個(gè)則是計(jì)算某個(gè)點(diǎn)相對(duì)坐標(biāo)(0, 0)的正切值，傳入前兩個(gè)參數(shù)分別是：y和x（記住第一個(gè)參數(shù)是y不是x）悼沿，舉例：
>>> np.arctan2(2, 1) * 180 / np.pi
# 坐標(biāo)(1, 2)的正切值等舔，可以看出和np.arctan(2/1)一樣
63.43494882292201
>>> np.arctan2(-2, 1) * 180 / np.pi
# 坐標(biāo)(1, -2)的正切值，想象一下糟趾，是在x軸下方慌植，但是角度一樣甚牲，因此為負(fù)
-63.43494882292201
>>> np.arctan2(2, -1) * 180 / np.pi
# 坐標(biāo)(-1, 2)的正切值
116.56505117707799
reshape
改變數(shù)組的形狀，其中-1代表對(duì)剩下的進(jìn)行合并處理蝶柿，舉例：
>>> a = np.random.randint(0, 255, (50, 50, 50))
>>> a.shape
>>> a.reshape(500, 25, 10).shape
# 轉(zhuǎn)成(500, 25, 10)
(500, 25, 10)
>>> a.reshape(50, -1).shape
# 轉(zhuǎn)成(50, 剩下的)
(50, 2500)
>>> a.reshape(500, 10, -1).shape
# 轉(zhuǎn)成(500, 10, 剩下的)
(500, 10, 25)
clip
限制數(shù)組范圍丈钙，舉例：
>>> x = np.array([i for i in range(10)])
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.clip(x, 0, 5)
# 限制數(shù)組x范圍在0~5
array([0, 1, 2, 3, 4, 5, 5, 5, 5, 5])
>>> x = np.array([i+.1 for i in range(10)])
>>> x
array([0.1, 1.1, 2.1, 3.1, 4.1, 5.1, 6.1, 7.1, 8.1, 9.1])
>>> np.clip(x, 0., 5.)
# 對(duì)于超過(guò)范圍的數(shù)進(jìn)行邊界值處理，其他值不會(huì)處理
array([0.1, 1.1, 2.1, 3.1, 4.1, 5. , 5. , 5. , 5. , 5. ])
fabs
對(duì)數(shù)組的值去絕對(duì)值交汤，舉例：
>>> x = np.array([i for i in range(0, -10, -1)])
>>> x
array([ 0, -1, -2, -3, -4, -5, -6, -7, -8, -9])
>>> np.fabs(x)
array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
prod
計(jì)算階乘雏赦，舉例：
>>> np.prod(np.array([1,2,3,4]))
# 1*2*3*4
24
cum開(kāi)頭的方法
比如cumsum，可以知道sum是計(jì)算總和蜻展，那么cumsum返回的就是從第一個(gè)到第n個(gè)數(shù)里第n次進(jìn)行操作的結(jié)果，舉例：
>>> np.cumsum(np.array([1,2,3,4]))
# 1, 1+2, 1+2+3, 1+2+3+4
array([ 1, 3, 6, 10], dtype=int32)
>>> np.cumprod(np.array([1,2,3,4]))
array([ 1, 2, 6, 24], dtype=int32)
浮點(diǎn)數(shù)轉(zhuǎn)換整數(shù)
參考：https://blog.csdn.net/sinat_34072381/article/details/84567523`
nonzero
返回所有不為0的數(shù)的索引邀摆，舉例：
>>> np.nonzero(np.array([1,2,3,0,-1,0]))
# 第0纵顾、1、2栋盹、4個(gè)數(shù)不為0
(array([0, 1, 2, 4], dtype=int64),)
>>> x = np.array([[1,0,3], [4,5,0]])
>>> np.nonzero(x)
# 返回2個(gè)數(shù)組施逾，第一個(gè)數(shù)組代表行的索引，第二個(gè)代表列的索引例获，比如這里就是：
# 0行0列汉额、0行2列、1行0列榨汤、1行1列的都不為0蠕搜，這樣也方便我們索引數(shù)據(jù)
(array([0, 0, 1, 1], dtype=int64), array([0, 2, 0, 1], dtype=int64))
>>> x[np.nonzero(x)]
# 可以看到返回所有的非0數(shù)據(jù)
array([1, 3, 4, 5])
pad
填充數(shù)組，舉例：
>>> x = np.array([1,2,3])
>>> x
array([1, 2, 3])
>>> np.pad(x, (1,0), 'constant')
# 在左邊添加一個(gè)0
array([0, 1, 2, 3])
>>> np.pad(x, (1,2), 'constant')
# 在左邊添加1個(gè)0收壕，右邊添加2個(gè)0
array([0, 1, 2, 3, 0, 0])
>>> np.pad(x, (1,2), 'mean')
# 在左邊添加1個(gè)平均值妓灌，右邊添加2個(gè)平均值
array([2, 1, 2, 3, 2, 2])
>>> np.pad(x, (1,2), 'edge')
# 填充邊緣值
array([1, 1, 2, 3, 3, 3])
>>> y = np.random.rand(2, 3)
>>> y
array([[0.47236851, 0.1362846 , 0.16687831],
[0.57028361, 0.22399912, 0.49424253]])
>>> np.pad(y, (1, 1), 'constant')
# 對(duì)二維數(shù)據(jù)填充，如果只傳入2個(gè)值蜜宪，那么第一個(gè)默認(rèn)是左邊和上邊的填充虫埂，第二個(gè)是右邊和下邊的填充
# 可以看出四邊都填充了0
array([[0. , 0. , 0. , 0. , 0. ],
[0. , 0.47236851, 0.1362846 , 0.16687831, 0. ],
[0. , 0.57028361, 0.22399912, 0.49424253, 0. ],
[0. , 0. , 0. , 0. , 0. ]])
>>> np.pad(y, (1, 0), 'constant')
# 就左邊和上邊填充0
array([[0. , 0. , 0. , 0. ],
[0. , 0.47236851, 0.1362846 , 0.16687831],
[0. , 0.57028361, 0.22399912, 0.49424253]])
>>> np.pad(y, ((0, 1), (1, 1)), 'constant')
# 如果希望上下左右填充的維度都自己控制，那么就傳入2個(gè)元組圃验，依次代表上下左右
# 可以看到這里就上面沒(méi)填充
array([[0. , 0.47236851, 0.1362846 , 0.16687831, 0. ],
[0. , 0.57028361, 0.22399912, 0.49424253, 0. ],
[0. , 0. , 0. , 0. , 0. ]])
>>> np.pad(y, ((0, 1), (0, 1)), 'constant')
# 填充右下
array([[0.47236851, 0.1362846 , 0.16687831, 0. ],
[0.57028361, 0.22399912, 0.49424253, 0. ],
[0. , 0. , 0. , 0. ]])
更多參考：https://blog.csdn.net/qq_36332685/article/details/78803622
打印數(shù)組顯示省略問(wèn)題
numpy中一般對(duì)于數(shù)組超過(guò)一定大小掉伏，就會(huì)以省略號(hào)形式顯示，因此為了解決該問(wèn)題澳窑，可以通過(guò)np.set_printoptions(threshold=行數(shù))設(shè)置超過(guò)某個(gè)行數(shù)才以省略形式打印斧散，舉例：
>>> np.set_printoptions(threshold=10)
# 超過(guò)10行就省略號(hào)展示
>>> np.array([[[i] for i in range(100)]])
array([[[ 0],
[ 1],
[ 2],
...,
[97],
[98],
[99]]])
>>> np.set_printoptions(threshold=100)
# 超過(guò)100行...
>>> np.array([[[i] for i in range(100)]])
# 此處省略100行...
>>> np.set_printoptions(threshold=np.inf)
# 直接點(diǎn)，設(shè)置無(wú)窮大展示
踩坑記錄
TypeError: only integer scalar arrays can be converted to a scalar index
看看你使用的方法里是不是傳參有誤摊聋，例如使用concatenate方法拼接數(shù)組時(shí)應(yīng)該把數(shù)組都拼成一個(gè)列表/元組放進(jìn)去：
>>> x = np.array([1,2,3])
>>> y = np.array([4,5,6])
>>> np.concatenate(x, y)
# 拼接報(bào)錯(cuò)颅湘，因?yàn)槿思乙?guī)定第一個(gè)參數(shù)就是接受所有的數(shù)組
Traceback (most recent call last):
File "<pyshell#4>", line 1, in <module>
np.concatenate(x, y)
TypeError: only integer scalar arrays can be converted to a scalar index
>>> np.concatenate((x, y))
# 可以看到拼接成功
array([1, 2, 3, 4, 5, 6])
