Python之Numpy的基礎及進階函數（圖文）

　　一樣，咱的電腦還是得先擁有Python，並且安裝了Numpy庫。有疑問的話可以看這裡呦~~~~

下麵開講：

　　NumPy的主要對象是齊次多維數組。它是一個元素表（通常是數字），並且都是相同類型，由正整數的元組索引。

　　其他暫且略過，咱主要說一些可以聽懂的並且有實際效用的。

　　首先，我們得創建有一個ndarry對象，簡單地介紹其中三種方法吧：

• • • a=np.array([1,2,3])

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

• • • a=np.arange(15).reshape(3,5)

在這裡我們就用第三個作為例子接著往下講哈（我就不用再創建了哈哈）

　　ndarray對象的重要的屬性如下：

• • ndarray.ndim：

　　　　　　輸出ndarray的維度（軸數，也有人叫它等級，在Python世界中，維度的數量被稱為等級），這裡的軸也叫坐標軸。

　　　　　　　　這兩種寫法都是可以的，親試如圖，下麵的其他函數也是一樣的。

　　　　　　例如，array（[1,2,1]）是一個等級為1的數組，因為它具有一個坐標軸，該軸的長度為3。

　　　　　　在上面的示例中，該數組的排名為2（它是2維的）。第一維（軸）的長度為3，第二維的長度為5。

• • ndarray.shape：

　　　　　　輸出數組的尺寸，即（n，m）。

• • ndarray.size:

　　　　　　數組元素的總數，即 n * m。

• • ndarray.dtype：

　　　　　　數組中元素的數據類型，可進行轉換。（這個一般預設float64 和 int32，你們可以自己多試試）

• • ndarray.itemsize：

　　　　　　數組中每個元素的位元組大小。（例子中則為 int 32/8 = 4，相當於ndarray.dtype.itemsize）

• • ndarray.data：

　　　　　　該緩衝區包含數組的實際元素。（這個我們一般不用，我們都是用索引的QAQ）

　　還有好多，我就不一一截圖了，懶。。。。。。

• np.zeros(10)    #長度為10的0數組
• np.zeros((3,6))    #創建3行6列的0數組（註意有兩個括弧）
• np.ones(5)
• np.ones((3,4))
• np.arange(10)
• np.eye(3)    # 3*3單位矩陣
• np.identity(3)    # 3*3單位矩陣
• np.zeros_like(a)    #創建與a相同行、列的全0矩陣
• np.ones_like(a)    #創建與a相同行、列的全1矩陣

　　索引和切片類

• a1=a[0:1]    ##這個切片的大有學問了，寫的話大概得另起一篇了，有空再說
• a[0:1]=1    ##a變化後，a1的值也隨之變化
• a1[0:1]=2    #a1變化後，a的值也隨之變化

• a1=a[0:1].copy()    #完全拷貝，值變化不影響a （和上面對比一下你就清楚了）

　　計算類

• a*a    #每個元素平方（這個強！！！挺好用的。）
• a*5    #每個元素乘以5
• a.mean()    #數據均值
• a.sum()    #數組和
• a.sum(axis=0)    #按列求和
• a.sum(axis=1)    #按行求和
• a.sort()    #對a進行排序（這個也是好東西啊~~~）
• a.sort(1)    #0按行排序，1按列排序
• np.sort(a,0)    #a按行排序（本身不發生變化！！！！！！）
• x.dot(y)    ##矩陣x與y相乘

• np.in1d(a,[2,3,6])    #value中的每一個值是否在[2,3,6]中（如果是，該值返回true,否則返回false.）
• np.in1d([2,3,6],a)
  
• np.in1d(x,y)
• np.intersect1d(x,y)    #返回x和y中的交集，並返回有序結構
• np.union1d(x,y)    #計算x,y的並集，並返回有序結構
• np.setdiff1d(x,y)    #集合的差，即在x中且不在y中
• samples=np.random.normal(size=(4,4))    #產生4維正態分佈矩陣
• from numpy.linalg import *    #計算與矩陣相關，行列式，矩陣的逆等
• np.linalg.det(samples)    #矩陣行列式
• np.linalg.inv(samples)    #矩陣求逆
• np.diag(samples)    #返回矩陣對角線元素
• np.linalg.eig(samples)    #返回矩陣特征值和特征向量

• import timeit    #導入計算時間的模塊

• np.save('some_a',a)    #保存文件
• np.load("some_a.py")    #讀取磁碟保存數據
• a=np.loadtxt("code_public.txt",delimiter=',')    #讀取文本數據
• arr=np.loadtxt("d:\code\arr.txt",delimiter=',')    #讀取d盤數據

行吧，時間也差不多了，我都寫累了，相信你也看累了，是時候去 stzb 看看了。