基本操作
1、數(shù)組上的算術(shù)運算符會應(yīng)用到 元素 級別
a = np.array( [20,30,40,50] )
print(10*np.sin(a))
print(a<35)
b = np.arange( 1,5 )
print(b**2)
c = a-b
print(c)
運行結(jié)果：
[ 9.12945251 -9.88031624 7.4511316 -2.62374854]
[ True True False False]
[ 1 4 9 16]
[19 28 37 46]
- 與許多矩陣語言不同汇跨，乘積運算符*在NumPy數(shù)組中按元素進(jìn)行運算务荆。矩陣乘積可以使用@運算符（在python> = 3.5中）或dot函數(shù)或方法執(zhí)行
A = np.array( [[1,1],[0,1]] )
B = np.array( [[2,0],[3,4]] )
print("A * B:",A * B)#積運算符*在NumPy數(shù)組中按元素進(jìn)行運算
#矩陣乘積可以使用@運算符（在python> = 3.5中）或dot函數(shù)或方法執(zhí)行
print("A @ B:",A @ B)
print("A.dot(B):", A.dot(B))
運行結(jié)果：
A * B: [[2 0]
[0 4]]
A @ B: [[5 4]
[3 4]]
A.dot(B): [[5 4]
[3 4]]
3、某些操作（例如+=和 *=）會更直接更改被操作的矩陣數(shù)組而不會創(chuàng)建新矩陣數(shù)組穷遂。
a = np.ones((2,3), dtype=int)
a *= 3
print(a)
b = np.random.random((2,3))
print(b)
b += a
print(b)
運行結(jié)果：
[[3 3 3]
[3 3 3]]
[[0.35287533 0.56195619 0.74018439]
[0.5019062 0.56990613 0.35129924]]
[[3.35287533 3.56195619 3.74018439]
[3.5019062 3.56990613 3.35129924]]
常用一元操作
a = np.random.random((2,3))
print(a.sum())
print(a.max())
print(a.min())
#通過指定axis 參數(shù)函匕，您可以沿數(shù)組的指定軸應(yīng)用操作
b = np.arange(12).reshape(3,4)
print(b)
print(b.sum(axis=0))# sum of each column
print(b.sum(axis=1))# sum of each row
print(b.max(axis=0))# max of each column
print(b.max(axis=1))# max of each row
#按指定軸逐個累加
print(b.cumsum(axis=1)) # cumulative sum along each row
運行結(jié)果：
3.0334450999885023
0.8713568612575104
0.1267850937442485
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[12 15 18 21]
[ 6 22 38]
[ 8 9 10 11]
[ 3 7 11]
[[ 0 1 3 6]
[ 4 9 15 22]
[ 8 17 27 38]]
通函數(shù)
NumPy提供熟悉的數(shù)學(xué)函數(shù)，例如sin蚪黑，cos和exp盅惜。在NumPy中中剩，這些被稱為“通函數(shù)”（ufunc）。在NumPy中抒寂，這些函數(shù)在數(shù)組上按元素進(jìn)行運算结啼，產(chǎn)生一個數(shù)組作為輸出屈芜。
B = np.arange(3)
print(B)
print(np.exp(B))
print(np.sqrt(B))
C = np.array([2., -1., 4.])
print(np.add(B, C))
a = np.arange(10)**3
print(a)
運行結(jié)果：
[0 1 2]
[1. 2.71828183 7.3890561 ]
[0. 1. 1.41421356]
[2. 0. 6.]
[ 0 1 8 27 64 125 216 343 512 729]
索引、切片和迭代
a = np.arange(10)**3
print(a)#[ 0 1 8 27 64 125 216 343 512 729]
print("索引2位置的值",a[2])# 8
print("切片a[2:5]：",a[2:5])#包含前面盒发，不包含后邊 [ 8 27 64]
print("切片a[0:6:2]：",a[0:6:2])
print("切片a[:6:2]：",a[:6:2])
a[:6:2] = -1000 # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every 2nd element to -1000
print(a)
print('reversed a:',a[ : :-1])# reversed a
print("遍歷a:",end="")
for i in a:
print(i,end=" ")
[ 0 1 8 27 64 125 216 343 512 729]
索引2位置的值 8
切片a[2:5]： [ 8 27 64]
切片a[0:6:2]： [ 0 8 64]
切片a[:6:2]： [ 0 8 64]
[-1000 1 -1000 27 -1000 125 216 343 512 729]
reversed a: [ 729 512 343 216 125 -1000 27 -1000 1 -1000]
遍歷a:-1000 1 -1000 27 -1000 125 216 343 512 729
#多維的數(shù)組每個軸可以有一個索引蛮艰。這些索引以逗號??分隔的元組給出
def f(x,y):
return 10*x+y
b = np.fromfunction(f,(5,4),dtype=int)
print("b:",b)
print("b[2,3]:",b[2,3])
print("每行第二列b[ : ,1]：",b[ : ,1])# each row in the second column of b
print("第0行到第4行的第二列b[0:5, 1])：",b[0:5, 1])# each row in the second column of b
print("第二行和第三行的所有列b[1:3, : ]：",b[1:3, : ])# each column in the second and third row of b
#當(dāng)提供的索引少于軸的數(shù)量時仍律，缺失的索引被認(rèn)為是完整的切片
print("最后一行的所有列:", b[-1])
b = np.fromfunction(f,(2,3),dtype=int)
print("b:",b)
#對多維數(shù)組進(jìn)行 迭代（Iterating） 是相對于第一個軸完成的
print("打印b的所有行：")
for row in b:
print(row)
#但是草则，如果想要對數(shù)組中的每個元素執(zhí)行操作，可以使用flat屬性嗽交，該屬性是數(shù)組的所有元素的迭代器
print("打印b的所有元素用flat：")
for element in b.flat:
print(element)
b: [[ 0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]]
b[2,3]: 23
每行第二列b[ : ,1]： [ 1 11 21 31 41]
第0行到第4行的第二列b[0:5, 1])： [ 1 11 21 31 41]
第二行和第三行的所有列b[1:3, : ]： [[10 11 12 13]
[20 21 22 23]]
最后一行的所有列: [40 41 42 43]
b: [[ 0 1 2]
[10 11 12]]
打印b的所有行：
[0 1 2]
[10 11 12]
打印b的所有元素用flat：
0
1
2
10
11
12
#索引、切片和迭代
#三個點（ ... ）表示產(chǎn)生完整索引元組所需的冒號。例如，如果 x 是rank為的5數(shù)組（即，它具有5個軸），則：
# x[1,2,...] 相當(dāng)于 x[1,2,:,:,:]，
# x[...,3] 等效于 x[:,:,:,:,3]
# x[4,...,5,:] 等效于 x[4,:,:,5,:]
# a 3D array (two stacked 2D arrays)
c = np.array( [[[ 0, 1, 2],
[ 10, 12, 13]],
[[100,101,102],
[110,112,113]]])
print("數(shù)組c的軸（維度）的個數(shù):",c.ndim)
print("數(shù)組c的維度:",c.shape)
print("第一個軸的第二個元素：\n",c[1,...]) # same as c[1,:,:] or c[1]
print("最后一個軸的第三個元素：\n",c[...,2]) # same as c[:,:,2]
數(shù)組c的軸（維度）的個數(shù): 3
數(shù)組c的維度: (2, 2, 3)
第一個軸的第二個元素：
[[100 101 102]
[110 112 113]]
最后一個軸的第三個元素：
[[ 2 13]
[102 113]]
形狀操縱
改變數(shù)組的形狀
#一個數(shù)組的形狀是由每個軸的元素數(shù)量決定的
a = np.floor(10*np.random.random((3,4)))
print("a.shape:",a.shape)
print(a)
b=a.copy()
#扁平化操作
c = a.ravel()#c里面的值改變的話憋飞，a也會跟著改變
print(c) # returns the array, flattened
d = b.flatten()#d里面的值改變的話，不影響b
print(d)
c[1]=99
d[1]=99
print(a)
print(b)
a.shape: (3, 4)
[[8. 4. 4. 0.]
[7. 9. 6. 6.]
[4. 9. 1. 2.]]
[8. 4. 4. 0. 7. 9. 6. 6. 4. 9. 1. 2.]
[8. 4. 4. 0. 7. 9. 6. 6. 4. 9. 1. 2.]
[[ 8. 99. 4. 0.]
[ 7. 9. 6. 6.]
[ 4. 9. 1. 2.]]
[[8. 4. 4. 0.]
[7. 9. 6. 6.]
[4. 9. 1. 2.]]
#改變數(shù)組的形狀
print(a.shape,"\n",a)
print( a.reshape(6,2))
print(a.shape,"\n",a)
print("a的轉(zhuǎn)置：",a.T)
print(a.shape)
print(a.T.shape)
#而該 ndarray.resize 方法會修改數(shù)組本身
a.resize((2,6))
print(a.shape,"\n",a)
(3, 4)
[[ 7. 99. 2. 5.]
[ 3. 5. 5. 6.]
[ 2. 5. 5. 5.]]
[[ 7. 99.]
[ 2. 5.]
[ 3. 5.]
[ 5. 6.]
[ 2. 5.]
[ 5. 5.]]
(3, 4)
[[ 7. 99. 2. 5.]
[ 3. 5. 5. 6.]
[ 2. 5. 5. 5.]]
a的轉(zhuǎn)置： [[ 7. 3. 2.]
[99. 5. 5.]
[ 2. 5. 5.]
[ 5. 6. 5.]]
(3, 4)
(4, 3)
(2, 6)
[[ 7. 99. 2. 5. 3. 5.]
[ 5. 6. 2. 5. 5. 5.]]
