Numpy
跳到导航
跳到搜索
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 ='{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
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
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]