python numpy科学计算和数据分析的基础包

标签：输入数据   返回   元素   索引   square   res   randn   random   nes   

import numpy as np

#创建ndarray
# data1 = [6, 5, 7, 1, 3]
# arrl = np.array(data1)
# print(arrl)
#多维列表创建ndarray
data2 = [[3, 4, 2], [1, 8, 9]]
arr2 = np.array(data2)
#
# print(arr2)
#
# asrr1 = np.asarray([2, 3, 4])
# print(asrr1)
#
# asrr2 = np.asarray([[2, 1, 3, 4], [2, 9, 9, 1]])
#
# print(asrr2)

#np.array() 和 np.asarray()
#array()创建时是对原始对象的一份copy创建的，而asarray当输入时ndarray并不进行复制操作，
# 如果改变新创建的数组，则原始数组也会跟着改变。
# arr0 = np.zeros((2, 3))
# arr11 = np.array(arr0)
# arr11[0][0] = 100
# print(arr11)
# print(arr0)
#
# arr12 = np.asarray(arr0)
# arr12[0][0] = 200
# print(arr12)
# print(arr0)

#创建全0元素的ndarray

# zeros1 = np.zeros(4)
# zeros2 = np.zeros((3, 4))
#
# ones1 = np.ones(4)
# ones2 = np.ones((3, 4))
#
# print(zeros1)
# print(zeros2)
#
# print(ones1)
# print(ones2)

#empty函数 用来创建一个没有任何值得数组
# empty1 = np.empty((3, 4))
# print(empty1)
#
# #创建对角矩阵
# eye1 =  np.eye(4)
#
# print(eye1)

# array将输入数据（列表、元组、数组或其他序列类型）转换为ndarray
# asarray同array如果当输入是ndarray则不进行复制
# arange类型python中的range，但返回的是一个ndarray，并不是列表
# ones,ones_like 前者返回是1的数组，后者以另一数组为参数，根据其形状和dtype返回全为1的数组
# zeros, zeros_like 同上，创建新数组
# eye, identity 创建一个正方的N*N的矩阵，对角为1，其余为0

# print(arr2.shape)
#
# print(arr2.dtype)
#
# int_arr = arr2.astype(np.int64)
# print(int_arr.dtype)

# print(arr2 + 3)
# print(arr2 * 1.2)

arr3 = np.array([[2, 1, 4],[1, 5, 9]])

# print(arr3)
#
# print(arr2 * arr3)
# print(arr3 + arr2)
#
# print(np.add(arr2, arr3))

#数据索引
# print(arr2[0])
# print(arr2[0][1])
# print(arr2[0,1])

#切片

a = [1, 2, 3, 4, 5]

# print(a[2:4])
#
# print(arr2)
#
# print(arr2[0][1:3])
#
# print(arr2[0:1, :])
# print(arr2[0:1][:])

# split1 = arr3[:2, :2]
# split1[0][0] = 6
# # print(split1)
# #布尔型索引
# words = np.array(list(‘abacbad‘))
# print(words)
data = np.random.randn(7, 4)
#
# print(words == ‘a‘)
# #布尔数组的长度必须跟索引轴的长度一致，此外还可以将布尔型索引和切片混合使用
# print(data[words == ‘a‘])
#
# print(data[data > 0])
#
# print(data[(data > 0) & (data < 1)])
#
# data[(data > 0) & (data < 1)] = 3
#
# print(data)

arr = np.empty((8, 4))
for i in  range(8):
    arr[i] = i
# print(arr)
#
# print(arr[[3, 5, 1, 6]])

arr = np.arange(32).reshape([8, 4])

# print(arr)

# print(arr[[1, 5, 7, 2], [0, 3, 1, 2]])
#
# print(arr[[1, 5, 7, 2]][:, [0, 2, 1, 3]])

# 花式索引和数组切片不一样，花式索引是将数据复制到新的数组中，而切片只是原始数据的一份视图，改变切片数据会改变原始数据，
# 而改变花式索引产生的数组并不会改变原始数据，
a = arr[np.ix_([1, 5, 7, 2], [0, 2, 1, 3])]
print(a)

a[0][0] = 10000
# print(a)
#
# print(arr[np.ix_([1, 5, 7, 2],[0, 2, 1, 3])])

#通用函数
#对数组进行元素级的运算的函数
# np.exp(data) 指数函数运算

# np.abs(data) 取绝对值
# np.square(data) 取平方
# np.sqrt(np.square(data)) 开根号

python numpy科学计算和数据分析的基础包

标签：输入数据   返回   元素   索引   square   res   randn   random   nes   

原文地址：https://www.cnblogs.com/shiyihan/p/10520374.html