numpy(numerical python简称) 的核心内容是narray（多维数组），记录numpy的用法
- 创建数组
(1) 直接导入
import numpy as np
vector = np.array([1,2,3,4])
maxtrix = np.array([[1,2],[3,4],[5,6]])(2) 用list的方式来创建数组
nparray = np.array([i for i in range(10)])结果：
(3) numpy 内置方法来创建数组
#创建10个零元素的向量
np.zeros(10,dtype=int) #dtype指定数据类型，默认是float64 np.zeros(10) #数据类型是float64
#创建3x4的零矩阵
np.zeros(shape=(3,4))
np.zeros((3,4))
np.zeros([3,4])
#创建元素为1的数组
np.ones((3,4))#3x4 全1的二维数组，数据类型是float64
#创建全部为指定只的数组
np.full((3,5),121) #3x5 全为121的二维数组，数据类型是int（121是int）
#创建指定范围的数组
np.arange(0,20,2)#前2个参数数范围（前闭后开），第3个参数是步长2，默认是1，返回的结果是：array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
np.linspace(0,20,5)#[0,20]分成5等分 返回结果：array([ 0., 5., 10., 15., 20.])
#random创建数组
np.random.randint(0,10,10) #产生一个0~10范围内的10个随机数
np.random.randint(0,10,size=(3,5))#创建一个3x5的数组，数组元素是范围在[0,10)内的随机数
- Numpy的方法
(1)reshape(row,column)
将array改成row X colum的数组
a = np.arange(15).reshape(3,5)
#执行结果
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]](2)shape
获取array的行数和列数
a = np.arange(15).reshape(3,5)
print(a.shape)
##执行结果：（3,5）(3)ndim
获取array的维数，向量是1维，矩阵是2维。。。
x = np.arange(15)
print(x.ndim) ##执行结果是1
X = x.reshape(3,5)
print(X.ndim) #执行结果是2- Numpy索引
matrix = np.array([[1,2,3],[20,30,40]])
print(matrix[0,1]) #取第0行第1列的元素：2
print(matrix[0][1])#和上面一样：2
#切片取
matrix = np.array([[5,10,15],[20,25,30],[35,40,45]])
print(matrix[:,1]) #取第1列的所有元素
print(matrix[:,0:2])#取第0列和第1列所有元素
print(matrix[1:3,:])#取第1行和第2行的所有元素
print(matrix[1:3,0:2])#取第1行第0~1列和第2行第0~1列的所有元素- Numpy矩阵运算
(1) 算术运算：加，减，乘，除，平方等等。算术运算都是对元素做处理（elementwise）
(2) 矩阵乘法
mymatrix = np.array([[1,2,3],[4,5,6]])
a = np.array([[1,2],[3,4],[5,6]])
print(mymatrix.shape[1] == a.shape[0])
print(mymatrix.dot(a))
print(mymatrix)(3) 矩阵的转置
a = np.array([[1,2,3],[4,5,6]])
print(a.T)(4) 矩阵的逆
import numpy.linalg as lg
A = np.array([[0,1],[2,3]])
invA = lg.inv(A)
print(A)
PRINT(A.dot(invA))- Numpy数据类型转换
numpy的数据类型在定义的时候，可以通过参数dtype设定，还可以通过参数astype来转换
vector = np.array(['1','2','3'])
vector = vector.astype(float)
print(vector.dtype) #float64- Numpy的统计计算方法
##sum():计算矩阵元素和
matrix = np.array([[5,10,15],[20,10,30],[35,40,45]])
matrix.sum()#结果是210
matrix.sum(axis=0)#返回每列总和，结果是 array([35, 40, 45])
matrix.sum(axis=1)#返回每行总和，结果是 array([ 30, 60, 120])
#max():取最大值
matrix.max()#返回最大值，结果是45
matrix.max(axis=0)#返回每一列的最大值，结果是array([35, 40, 45])
matrix.max(axis=1)#返回每一行的最大值，结果是array([15, 30, 45])
#mean():平均值
matrix.mean()#返回最大值，结果是23.333333333333332
matrix.mean(axis=0)#返回每一列的最大值，结果是array([20., 20., 30.])
matrix.mean(axis=1)#返回每一行的最大值，结果是array([10., 20., 40.])- Numpy的arg运算
(1) argmax函数：求数组中最大值的下标
(2) argmin函数：求数组中最小值的下标
matrix = np.array([[5,10,15],[20,10,30],[35,40,45]])
print(np.argmax(matrix))#结果：8
print(np.argmin(matrix))#结果：0(3) argsort()函数：返回从小到大的索引值
x = np.arange(15)
print(x)
np.random.shuffle(x)
print(x)
sx = np.argsort(x)
print(sx)[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
[11 13 14 7 4 12 1 10 2 0 8 6 3 9 5]
[ 9 6 8 12 4 14 11 3 10 13 7 0 5 1 2]- Numpy fancyindexing
通过索引取一个值，比如x[0]取第0个值，如果想要返回第3个，第5个等，需要用fancyindexing
x = np.random.randint(0,15,15)
ind = [3,5,8]
print(x)
print(x[ind])[ 4 3 1 5 12 8 14 11 13 9 0 6 10 2 7]
[[4 1]
[3 5]]- Numpy数组的比较
返回False/True
matrix = np.array([[5,10,15],
[20,25,30],
[35,40,45]])
m = (matrix == 25)
print(m) [[False False False]
[False True False]
[False False False]]
Reference: https://docs.scipy.org/doc/numpy/user/quickstart.html
深度学习与图形识别：原理与实践