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
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

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[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

 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 [2]

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'
同时对每个元素操作见这里 https://docs.scipy.org/doc/numpy/reference/routines.char.html
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=)

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])

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）

Numpy

目录

ndarray

数组运算

数据类型

特殊数值 nan，inf

字符串数组

格式输出

txt文件

npy文件

多维数组

行向量，列向量

broadcast

keepdims

vectorize

Linear algebra

导航菜单

Numpy

ndarray

数组运算

数据类型

特殊数值 nan，inf

字符串数组

格式输出

txt文件

npy文件

多维数组

行向量，列向量

broadcast

keepdims

vectorize

Linear algebra

导航菜单

搜索