查看“Numpy”的源代码

http://bigsec.net/b52/scipydoc/numpy_intro.html

==ndarray==
*shape() #数组的形状，虽然len()可以运行
*size() #数组的总元素
*a=np.empty_like(b) #初始化一个和b数组一样shape的空数组
*合并两个数组 np.append(array1,array2)
*利用内循环赋值
  a = [0 for x in range(0, 1000)]  

===数组运算===
* where
 a=np.arange(10)
 a=np.where(a<5,a,np.nan) #将大于5的数替换为np.nan
*argmin,argmax
:数组中极值的位置
*clip(a,a_min,a_max)
:array(a).clip(a_min.a_max)
*reduce,reduceat
:reduceat 有点复杂 参见[http://blog.chinaunix.net/uid-7596337-id-125815.html]
*unique，sort，sum
 a=np.zeros([3,5])+1
 np.sum(a,1) #只对多维数组的某一个方向上求和
 c,s=np.unique(b,return_index=True) # return_index=True 表示返回新列表元素在旧列表中的位置，并以列表形式储存在s中。
*roll    #平移
*array[::-1]  数组倒序
*np.hpstack： stack数组
*np.hsplit: split数组
  p = np.array([1.5, 2.5, 3.5, 4.5, 5.5, 6.5, 7.5, 8.5]) 
  q = np.array([2.35, 5.75, 7.75, 3.15]) 
  newa = np.hstack((p, q)) 
  r = np.hsplit(newa,3) # three equally shaped arrays 11 print "Array r:"
*percentile
:wout=np.percentile(flatchain,[16,50,84],0)  #flatchain 是二维数组，这是在一个维度上求其分布的范围

*布尔型数组取否运算 (~)

*提取一组数组元素，np.take() 提取多个不连续的元素，对于一维数组来说，较为简单，不用指定维度。方法类似提取单个元素，如果a是一个numpy array，a.take(m,1)表示取每一行的第m个值；a.take(m,0)表示取第m行
 print(a.take([1,3,4]))

===数据类型===
*dtype
:dtype=object 比较好用，这样每个元素可以是另外一个数组，可以不等长。合并的时候可以采用 hstack的命令
 a1=np.arange(10)
 a2=np.arange(20)
 a=np.array([a1,a2],dtype=object)
 a3=np.hstack(a)

:dtype=str  字符串 (只能是一位字符）
:dype='S256'

*astype 装换格式（数组的dtype不能直接修改）
  >>> b = np.array([1.23,12.201,123.1])
  >>> b.dtype
  dtype('float64')
   >>> c = b.astype(int)


*可以自定义
 >>> t = dtype([('name', str, 40), ('numitems', numpy.int32), ('price',numpy.float32)])
 >>> itemz = array([('Meaning of life DVD', 42, 3.14), ('Butter', 13,2.72)], dtype=t)
*参见 [https://blog.csdn.net/Zhili_wang/article/details/81140282]

====特殊数值 nan，inf====
* isnan, isinf ，isnull
:nan只能用isnan来判断
 a=1/np.arange
 sel=np.where(np.isinf(a))
* nan_to_num(x)
 直接将nan数值替换为0

====字符串数组====
*dtype='str'
*np.char: 同时对每个元素操作见这里 https://docs.scipy.org/doc/numpy/reference/routines.char.html, also 参见[https://blog.csdn.net/m0_37816922/article/details/127957746]
*字符串数组里面直接定位一个元素，用index会报错，用find返回的是一个布尔数组
:解决办法：用tolist()再用index定位
*charar = np.chararray(10, itemsize=10，unicode=True） #字符串长度为10的字符串数组

===格式输出===
 x = np.random.random(10)
 np.set_printoptions(precision=3, suppress=True):
 print(x)
 print(np.array_str(x, precision=2))
 np.array2string(x, formatter={'float_kind':'{0:.3f}'.format})
 print(np.vectorize("%.2f".__mod__)(x))

*另外一个方法
 def ndprint(a, format_string ='{:.2f}'):
    print [format_string.format(v) for i,v in enumerate(a)]

叠加标准输出：%r 不换行 %n 换行
 for n in range(30):
    sys.stdout.write("\r[{0}{1}]".format('#' * n, ' ' * (30 - n))) 

 for n in range(30):
    sys.stdout.write("\n[{0}{1}]".format('#' * n, ' ' * (30 - n)))

====txt文件====
*np.loadtxt(frame,dtype = np.float,delimiter = None,unpack = False)
*numpy.savetxt(fname, X, fmt=’%.18e’, delimiter=’ ‘, newline=’\n’, header=”, footer=”, comments=’# ‘)
 可以把一个数组一次性写入某个文件，但是第一个参数貌似必须是文件名，而且不能续写，写完后文件就被关闭。只能最多是2维数组

====npy文件====
*.npy是numpy专用的二进制格式（压缩扩展名为.npz）
 import numpy as np
 arr = np.array([[1, 2, 3],
               [4, 5, 6]])
 np.save('weight.npy', arr)
 loadData = np.load('weight.npy')
 print("----type----")
 print(type(loadData))
 print("----shape----")
 print(loadData.shape)
 print("----data----")
 print(loadData)
*ndarray.tofile(self, fid, sep=”“, format=”%s”)
 数组的简单存取，比较方便可以用于多维数组（二进制格式）
*numpy.fromfile(file, dtype=float, count=-1, sep='')

====npz文件====
如果你想将多个数组保存到一个文件中的话，可以使用numpy.savez函数。savez函数的第一个参数是文件名，其后的参数都是需要保存的数组，也可以使用关键字参数为数组起一个名字，非关键字参数传递的数组会自动起名为arr_0, arr_1, …。
savez函数输出的是一个压缩文件(扩展名为npz)，其中每个文件都是一个save函数保存的npy文件，文件名对应于数组名。
load函数自动识别npz文件，并且返回一个类似于字典的对象，可以通过数组名作为关键字获取数组的内容。
 np.savez(‘test.npz',zero=np.zeros(10),np.ones(10))
  data = np.load('test.npz')      #类似于字典{‘arr_0’:a,’arr_1’:b,’arr_2’:c}
  data.files #查看里面包含的数组
  print('arr_0 : ', data['zero'])
  print('arr_1 : ', data['arr_1'])

==多维数组==
*极值
:Ha是是个二维map
 Hamax=Ha.max()
 xmax,ymax=np.unravel_index(np.argmax(Ha, axis=None), Ha.shape) #极值位置
*降维 Ha.flatten()
*Ha.reshape(-1) # 也可以达到降维的效果
*squeeze  把多维数组里面 为1的压缩，比如（1，2,2)变成（2，2）
*ravel(),把矩阵向量化

===行向量，列向量===
*与数组不同的是行矢量是二维，提取某个参数时需要指定元素在两个维度下的位置如 a[0,0]代表两个维度中位置都为0的元素。
 a=np.arange(10).reshape(1,-1)
 print(a[0,-1])

===索引===
 xpos,ypos=np.indices((5,4))
 x = np.arange(20).reshape(5, 4)
 print(x)
 print(x[xpos,ypos])

===broadcast===
*  当两个数组的形状并不相同的时候，我们可以通过扩展数组的方法来实现相加、相减、相乘等操作，这种机制叫做广播（broadcasting）。  广播的原则：如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。  这句话乃是理解广播的核心。广播主要发生在两种情况，一种是两个数组的维数不相等，但是它们的后缘维度的轴长相符，另外一种是有一方的长度为1。
:所以，一个（4,5）的矩阵可以直接和（5,)的向量相加，这时候，每行都加上这个数
:一个(4,5)矩阵不能直接和(4,)的向量相加，这时候可以采用None标签来扩维，即扩展为（4,1)矩阵
 a=np.arange(20).reshape((4,5))
 b=np.ones(5)
 c=np.ones(4)*2
 print(a+b)
 print(a+c[:,None]) #a+c会出错

===keepdims===
* 在多维数组的某一维度上求和或者计算平均值的时候，可以使用keepdims=True，这样可以保证后续运算中使用broadcast原则
 a=np.ones((2,3,4,5))
 b=np.sum(a,axis=(1,2),keepdims=True)
 c=a+b

==vectorize==
*可以将只能对数值计算的函数，变成可以对数组计算，比如积分
 import scipy.integrate as integrate
   
     vec_expint=np.vectorize(expint) 
 def expint(t1,t2):
     return integrate.quad(CSFH,t1,t2)[0]

==Linear algebra==
*norm （对矢量的归一化，用矢量的模）