【Python学习日志】

【Python学习日志】 - Numpy包

NumPy是什么？

使用Python进行科学计算的基础包，在数据分析的时候比较常用到矩阵计算。这时太多的Np属性不记得，所以方便自己使用把一些常用的Np属性汇总记录一下使用的时候方便查找。

ndarray.ndim
阵列的轴数（尺寸）。
ndarray.shape
数组的大小。这是一个整数元组，表示每个维度中数组的大小。对于具有n行和m列的矩阵，shape将是(n,m)。shape因此，元组的长度是轴的数量ndim。
ndarray.size
数组的元素总数。这相当于元素的乘积shape。
ndarray.dtype
描述数组中元素类型的对象。可以使用标准Python类型创建或指定dtype。此外，NumPy还提供自己的类型。numpy.int32，numpy.int16和numpy.float64就是一些例子。
ndarray.itemsize
数组中每个元素的大小（以字节为单位）。例如，类型的元素数组float64有itemsize8（= 64/8），而其中一个类型complex32有itemsize4（= 32/8）。它相当于ndarray.dtype.itemsize。
ndarray.data
包含数组实际元素的缓冲区。通常，我们不需要使用此属性，因为我们将使用索引工具访问数组中的元素

杂乱的知识？

查看一个函数的帮助文档，可以直接在文件里输入代码： help(np.add)

或者在命令行中输入：np.info(np.add)

查看包的版本号信息，可以直接输出： np.__version__

用zero函数创建数组，默认单元大小是八个字节（也就是默认double？）

import numpy as np
A = np.zeros(4)
print(A.itemsize)
print(A.itemsize*A.size)输出：
8
32

注意数组起始下标是从0开始的。

关于arange和reshape函数：

import numpy as np
A = np.arange(8).reshape(2,4)
print(A)输出：
[[0 1 2 3][4 5 6 7]]

关于返回非零元素的下标的一系列骚操作：

import numpy as np
A = np.arange(8).reshape(2,4)
A=A+1
A[0][1]=0
print(A)
print(np.nonzero(A))输出：
[[1 0 3 4][5 6 7 8]]
(array([0, 0, 0, 1, 1, 1, 1], dtype=int64), array([0, 2, 3, 0, 1, 2, 3], dtype=int64))

其中返回的两个参数，一个是第一维的下标，一个是第二维的下标。

关于eye函数，random函数，以及变量性质的测试

B = np.eye(2)
print(B)
print(B.size)
print(B[0][1])
B=np.random.random((3,2))
print(B)
B="hello"
print(B)输出：
[[1. 0.][0. 1.]]
4
0.0
[[0.29490288 0.14067274][0.96161076 0.92929841][0.26694438 0.40938209]]
hello

由此可见，相同都变量名是可以在不同时刻代替不同东西的。

但是不能对这个变量的其中一部分进行代替操作：（下面的函数中，只运行前两行是没有问题的）

程序1：
qqweqeqweqq = np.zeros(12)
for i in range(10):qqweqeqweqq[i]=np.zeros(12)Error：
ValueError: setting an array element with a sequence.
----------------------------------------------------------------------------------
程序2：
qqweqeqweqq = np.zeros((10,2))
for i in range(10):qqweqeqweqq[i]=np.zeros(12)Error：
ValueError: could not broadcast input array from shape (12) into shape (2)

但是这样是没有问题的：

qqweqeqweqq = np.zeros((10,2))
qqweqeqweqq = np.zeros(12)

疑问：sequence，array，list，dic，都有啥区别？

sum函数，max函数，min函数，mean函数

B=np.random.random((3,2))
print(B)
print(B.max(),B.min(),B.mean())输出：
[[0.89882712 0.77860196][0.7093924  0.15120126][0.99924821 0.91765126]]
0.9992482107724574 0.15120126168466463 0.7424870345505307

对应的，可以添加参数axis=0代表在第0维上进行合并

进一步体验random函数

np1.random.rand（0-1之间的的随机数生成）\randn（服从正态分布的随机数生成）\randint（随机整数的生成）\choice（[]）（随机数产生的范围自定义）\......（其他随机数类型）,举例如下：（图片源自链接）

体验索引下标区别：

B=np.arange(25).reshape((5,5))
print(B)
print(B[1:-1,1:-1])
print(B[1:-1])
print(B[1:-1][1:-1])输出：
[[ 0  1  2  3  4][ 5  6  7  8  9][10 11 12 13 14][15 16 17 18 19][20 21 22 23 24]]
[[ 6  7  8][11 12 13][16 17 18]]
[[ 5  6  7  8  9][10 11 12 13 14][15 16 17 18 19]]

int，float，str之间的类型转换：

    num2 = "123";num2 = int(num1);print("num2: %d" % num2);'''输出  num2: 123'''num1 = "123.12";num2 = float(num1);print("num2: %f" % num2);'''num2: 123.120000'''num = 123;mystr = str(num);print ("%s" % mystr);''' 输出 123   '''

其他小测试：（关于numpy的sum函数）

range(2,4)
Out[141]: range(2, 4)np.sum(range(4))
Out[142]: 6qqqq=range(4)qqqq
Out[144]: range(0, 4)type(qqqq)
Out[145]: rangenp.sum(range(10,12))
Out[146]: 21