标签：影子   tac   rod   mat   过程   面向过程   spl   axis   获取   

NumPy

建议

• 使用numpy时, 建议采用面向过程的思想, 因为numpy中对象有的, numpy模块都会提供函数获取到或者进行操作
• 学会了MATLAB, 在NumPy中可以找到很多MATLAB的影子

数组操作

数组的拼接与分割

• np.concatenate((arr1, arr2), axis=1) # axis=1表示列优先, axis=0表示行优先, 它的功能和np.hstack和np.vstack一样
• np.split(arr, 2, axis=1) # axis表示列优先, axis=0表示行优先, 它的功能和np.hsplit和np.vsplit一样, 返回list, 包含ndarray
• 记忆方法: 列优先则是在水平方向放去拉伸数组, 行优先则是在竖直方向上去拉伸数组

其他操作

• np.reshape()
• np.shape()
• np.size()
• np.diag()
• np.eye()
• np.zeros()
• np.ones()

有用的

• np.max()
• np.min()
• 以上返回的是指
• np.argmax()
• np.argmin()
• 返回的是对应的值的下标
• np.std()
• np.mean()
• np.var()
• np.cumsum()
• np.cumprod()
• np.sum()

random模块

• np.random.rand(): 均匀分布
• np.random.randn(): 高斯分布
• np.random.uniform(): 生成[0, 1]范围的均匀分布
• np.random.normal(): 高斯分布

矩阵(是ndarray的子类)操作

• 通过字符串的方式模仿MATLAB(但是还是MATLAB使用起来更加方便)
• mat = np.mat(‘1 2 3; 4 5 6‘) <=> np.matrix(‘1 2 3; 4 5 6‘, copy=False)
• mat = np.matrix(‘[1 2 3; 4 5 6]‘, copy=True) # 创建一个矩阵
• mat = np.bmat(‘arr1; arr2‘) # 通过两个分块矩阵创建一个新的矩阵, bmat是block matrix

ufunc

• 在numpy中所有的符号运行都是调用了ufunc
  • +, -, *, /, **
• 当两个矩阵的shape一致时好理解, 但是当shape不一样的时候, ufunc会采用广播机制
  • 如:
    • arr1 = np.mat([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
    • arr2 = np.mat([1, 2, 3])
    • arr1 + arr2 ?
    • ufunc + 会将arr2的数据进行广播生成一个[[1, 2, 3], [1, 2, 3], [1, 2, 3]]再参与运算

保存读取数据

• 保存数组(和MATLAB中的save一样)
  • 二进制保存
    • np.save(filename, arr)
    • np.savez(filename, arr1, arr2, arr3) # 保存多个
  • 文本保存(更加常用)
    • np.savetxt(filename, arr, fmt=‘%d‘, delimeter=‘,‘) # 保存为csv格式
• 读取数据
  • 二进制
    • np.load()
  • 文本
    • np.loadtxt()

NumPy

标签：影子   tac   rod   mat   过程   面向过程   spl   axis   获取   

原文地址：https://www.cnblogs.com/megachen/p/10050683.html