Numpy

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
• 产生序列数组 a=np.arange(20)
• 合并两个数组 np.append(array1,array2)
• 选择数组在某个范围之内 sel=np.where((wave < 6800) & (wave > 3800))

数组运算

• clip(a,a_min,a_max)

array(a).clip(a_min.a_max)

• reduce,reduceat

reduceat 有点复杂 参见[1]

• 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

• roll #平移
• array[::-1] 数组倒序
• np.hpstack： stack数组
• np.hsplit: split数组

 import numpy as np 
 print "Stacking and splitting array" 
 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)) 
 print "newa: ", newa 
 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

• 按照数值大小分成等份的几个数组

>>> a = np.array([3, 4, 2, 1])
>>> >>> x[np.argpartition(x, 3)]
array([2, 1, 3, 4])
>>> np.partition(a, 3) #可以把3替换为一个数组，比如  （1,3)
array([2, 1, 3, 4]) # that the value of the element in k-th position is in the position it would be in a sorted array

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 [2]

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

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 ='{0:.2f}'):
   print [format_string.format(v,i) 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)))

简单文件存取

• 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）

• np.load(fname):

fname:文件，以.npy为扩展名，压缩扩展名为.npz

• np.save(fname,array)

• numpy.fromfile(file, dtype=float, count=-1, sep=)

• 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

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]

随机数

• random.rand(20,20)