Numpy是一个用python实现的科学计算的扩展程序库，包括：
- 1、一个强大的N维数组对象Array；
- 2、比较成熟的（广播）函数库；
- 3、用于整合C/C++和Fortran代码的工具包；
- 4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。
NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。
CSV文件读取
numpy随机数函数
numpy中random的统计函数
1.Numpy基本操作
1.1 列表转为矩阵
import numpy as np
#np.array生成一个ndarray数组，ndarray再程序中的别名为array
#np.array()输出形式为[],元素之间由空格分隔
array = np.array([
[1,3,5],
[4,6,9]
])
print(array)
[[1 3 5]
[4 6 9]]
1.2 维度
print('number of dim:', array.ndim)
number of dim: 2
1.3 行数和列数()
print('shape:',array.shape)
shape: (2, 3)
1.4 元素个数
print('size:',array.size)
size: 6
1.5 ndarray对象的属性
| 属性 | 说明 |
|---|---|
| .ndim | 秩，即轴的数量或者维度的数量 |
| .shape | ndarray对象的尺度，对于矩阵，n行m列 |
| .size | ndarray对象的个数，相当于.shape中n*m的值 |
| .dtype | ndarray对象的元素类型 |
| .itemsize | ndarray对象中每个元素的大小，以字节为单位 |
1.6 ndarray对象的元素类型
| 数据类型 | 说明 |
|---|---|
| bool | 布尔类型，True或者False |
| intc | 与C语言中int类型一致，一般是int32或者int64 |
| intp | 用于于索引的整数，与C语言中 size_t一致，int32或int64 |
| int8 | 字节长度的整数，取值：[-128,127] |
| int16 | 16位长度的整数，取值：[-32768,32767] |
| int32 | 32位长度的整数，取值：[-231,231-1] |
| int64 | 64位长度的整数，取值：[-263,263-1] |
| uint8 | 8位无符号整数，取值：[0,255] |
| uint16 | 16位无符号整数，取值：[0,65535] |
| uint32 | 32位无符号整数，取值：[0,2^32-1] |
| uint64 | 64位无符号整数，取值：[0,2^64-1] |
| float16 | 16位半精度浮点数：1位符号位，5位指数，10位尾数 |
| float32 | 32位半精度浮点数：1位符号位，8位指数，23位尾数 |
| float64 | 64位半精度浮点数：1位符号位，11位指数，52位尾数 |
| complex64 | 复数类型，实部和虚部都是32位浮点数 |
| complex128 | 复数类型，实部和虛部都是64位浮点数 |
2.Numpy创建array
从列表类型创建数组
a = np.array([2,23,4])
从元组类型创建数组
a = np.array((2,23,4))
从列表和元组混合类型创建数组
a = np.array([2,23,4],[1,2,3],(4,5,6))
使用numpy中函数创建数组
| 函数 | 说明 |
|---|---|
| np. arange（n） | 类似 range0函数，返回 ndarray类型，元素从0到n-1 |
| np.ones（ shape） | 根据 shape生成一个全1数组， shape是元组类型 |
| np, zeros（ shape） | 根据 shape生成一个全0数组， shape是元组类型 |
| np. full（shape,vaD） | 根据 shape生成一个数组，每个元素值都是val |
| np. eye（n） | 创建一个正方的n*n单位矩阵，对角线为1，其余为0 |
| np. ones_like（a） | 根据数组a的形状生成一个全1数组 |
| np.zeros_like（a） | 根据数组a的形状生成一个全0数组 |
| np. full_like（a,va） | 根据数组a的形状生成一个数组，每个元素值都是val |
| np. linspaceO | 根据起止数据等间距地填充数据，形成数组 |
| np. concatenate() | 将两个或多个数组合井成一个新的数组 |
ndarray数组的维度变换
| 说明 | 方法 |
|---|---|
| reshape（shape） | 不改变数组元素，返回一个 shape形状的数组，原数组不变 |
| resize（shape） | 与 reshape功能一致，但修改原数组 |
| swapaxes（ax1，ax2） | 将数组n个维度中两个维度进行调换 |
| flatten() | 对数组进行降维，返回折叠后的一维数组，原数组不变 |
ndarray数组的类型变换
#astype方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致。
new a=a. astype（new type）
ndarray数组向列表的转换
2.1 一维array创建
import numpy as np
# 一维array
a = np.array([2,23,4], dtype=np.int32) # np.int默认为int32
print(a)
print(a.dtype)
===========================
[ 2 23 4]
int32
2.2 多维array创建
# 多维array
a = np.array([[2,3,4],
[3,4,5]])
print(a) # 生成2行3列的矩阵
==========================================
[[2 3 4]
[3 4 5]]
2.3 创建全零数组(zeros)
a = np.zeros((3,4))
print(a) # 生成3行4列的全零矩阵
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
2.4 创建全1数据(ones)
In [8]:
# 创建全一数据，同时指定数据类型
a = np.ones((3,4),dtype=np.int)
print(a)
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
2.5 创建全空数组(empty)
In [9]:
# 创建全空数组，其实每个值都是接近于零的数
a = np.empty((3,4))
print(a)
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
2.6 创建连续数组(arange)
In [10]:
# 创建连续数组
a = np.arange(10,21,2) # 10-20的数据，步长为2
print(a)
[10 12 14 16 18 20]
2.7 reshape操作
In [11]:
# 使用reshape改变上述数据的形状
b = a.reshape((2,3))
print(b)
[[10 12 14]
[16 18 20]]
2.8 创建连续型数据(linspcace)
# 创建线段型数据
a = np.linspace(1,10,20) # 开始端1，结束端10，且分割成20个数据，生成线段
print(a)
[ 1. 1.47368421 1.94736842 2.42105263 2.89473684 3.36842105
3.84210526 4.31578947 4.78947368 5.26315789 5.73684211 6.21052632
6.68421053 7.15789474 7.63157895 8.10526316 8.57894737 9.05263158
9.52631579 10. ]
#endpoint为false时，生成的数组不含结束端
b= np linspace（l, 10， 4， endpoint=False）
print(b)
[1.,3.25,5.5,7.75]
2.9 linspace的reshape操作
In [13]:
# 同时也可以reshape
b = a.reshape((5,4))
print(b)
[[ 1. 1.47368421 1.94736842 2.42105263]
[ 2.89473684 3.36842105 3.84210526 4.31578947]
[ 4.78947368 5.26315789 5.73684211 6.21052632]
[ 6.68421053 7.15789474 7.63157895 8.10526316]
[ 8.57894737 9.05263158 9.52631579 10. ]]
3.Numpy基本运算
数组与标量之间的运算
numpy一元函数
numpy二元函数
3.1 一维矩阵运算
In [14]:
import numpy as np
# 一维矩阵运算
a = np.array([10,20,30,40])
b = np.arange(4)
print(a,b)
[10 20 30 40] [0 1 2 3]
In [15]:
c = a - b
print(c)
[10 19 28 37]
In [16]:
print(a*b) # 若用a.dot(b),则为各维之和
[ 0 20 60 120]
In [17]:
# 在Numpy中，想要求出矩阵中各个元素的乘方需要依赖双星符号 **，以二次方举例，即：
c = b**2
print(c)
[0 1 4 9]
In [18]:
# Numpy中具有很多的数学函数工具
c = np.sin(a)
print(c)
[-0.54402111 0.91294525 -0.98803162 0.74511316]
In [19]:
print(b<2)
[ True True False False]
In [20]:
a = np.array([1,1,4,3])
b = np.arange(4)
print(a==b)
[False True False True]
3.2 多维矩阵运算
In [21]:
a = np.array([[1,1],[0,1]])
b = np.arange(4).reshape((2,2))
print(a)
[[1 1]
[0 1]]
In [22]:
print(b)
[[0 1]
[2 3]]
In [23]:
# 多维度矩阵乘法
# 第一种乘法方式:
c = a.dot(b)
print(c)
[[2 4]
[2 3]]
In [24]:
# 第二种乘法:
c = np.dot(a,b)
print(c)
[[2 4]
[2 3]]
In [25]:
# 多维矩阵乘法不能直接使用'*'号
a = np.random.random((2,4))
print(np.sum(a))
3.825517216750851
In [26]:
print(np.min(a))
0.09623355767721398
In [27]:
print(np.max(a))
0.7420428188342583
In [28]:
print("a=",a)
a= [[0.48634962 0.74204282 0.09623356 0.69074812]
[0.60218881 0.52734181 0.41434585 0.26626662]]
如果你需要对行或者列进行查找运算，
就需要在上述代码中为 axis 进行赋值。
当axis的值为0的时候，将会以列作为查找单元，
当axis的值为1的时候，将会以行作为查找单元。
In [29]:
print("sum=",np.sum(a,axis=1))
sum= [2.01537412 1.8101431 ]
In [30]:
print("min=",np.min(a,axis=0))
min= [0.48634962 0.52734181 0.09623356 0.26626662]
In [31]:
print("max=",np.max(a,axis=1))
max= [0.74204282 0.60218881]
3.3 基本计算
In [32]:
import numpy as np
A = np.arange(2,14).reshape((3,4))
print(A)
[[ 2 3 4 5]
[ 6 7 8 9]
[10 11 12 13]]
In [33]:
# 最小元素索引
print(np.argmin(A)) # 0
0
In [34]:
# 最大元素索引
print(np.argmax(A)) # 11
11
In [35]:
# 求整个矩阵的均值
print(np.mean(A)) # 7.5
7.5
In [36]:
print(np.average(A)) # 7.5
7.5
In [37]:
print(A.mean()) # 7.5
7.5
In [38]:
# 中位数
print(np.median(A)) # 7.5
7.5
In [39]:
# 累加
print(np.cumsum(A))
[ 2 5 9 14 20 27 35 44 54 65 77 90]
In [40]:
# 累差运算
B = np.array([[3,5,9],
[4,8,10]])
print(np.diff(B))
[[2 4]
[4 2]]
In [41]:
C = np.array([[0,5,9],
[4,0,10]])
print(np.nonzero(B))
print(np.nonzero(C))
(array([0, 0, 0, 1, 1, 1], dtype=int64), array([0, 1, 2, 0, 1, 2], dtype=int64))
(array([0, 0, 1, 1], dtype=int64), array([1, 2, 0, 2], dtype=int64))
In [42]:
# 仿照列表排序
A = np.arange(14,2,-1).reshape((3,4)) # -1表示反向递减一个步长
print(A)
[[14 13 12 11]
[10 9 8 7]
[ 6 5 4 3]]
In [43]:
print(np.sort(A))
[[11 12 13 14]
[ 7 8 9 10]
[ 3 4 5 6]]
In [44]:
# 矩阵转置
print(np.transpose(A))
[[14 10 6]
[13 9 5]
[12 8 4]
[11 7 3]]
In [45]:
print(A.T)
[[14 10 6]
[13 9 5]
[12 8 4]
[11 7 3]]
In [46]:
print(A)
[[14 13 12 11]
[10 9 8 7]
[ 6 5 4 3]]
In [47]:
print(np.clip(A,5,9))
[[9 9 9 9]
[9 9 8 7]
[6 5 5 5]]
clip(Array,Array_min,Array_max)
将Array_min<X<Array_max X表示矩阵A中的数，如果满足上述关系，则原数不变。
否则，如果X<Array_min，则将矩阵中X变为Array_min;
如果X>Array_max，则将矩阵中X变为Array_max.
4.Numpy索引与切片
一维数组的索引切片
多维数组的索引切片
In [48]:
import numpy as np
A = np.arange(3,15)
print(A)
[ 3 4 5 6 7 8 9 10 11 12 13 14]
In [49]:
print(A[3])
6
In [50]:
B = A.reshape(3,4)
print(B)
[[ 3 4 5 6]
[ 7 8 9 10]
[11 12 13 14]]
In [51]:
print(B[2])
[11 12 13 14]
In [52]:
print(B[0][2])
5
In [53]:
print(B[0,2])
5
In [54]:
# list切片操作
print(B[1,1:3]) # [8 9] 1:3表示1-2不包含3
[8 9]
In [55]:
for row in B:
print(row)
[3 4 5 6]
[ 7 8 9 10]
[11 12 13 14]
In [56]:
# 如果要打印列，则进行转置即可
for column in B.T:
print(column)
[ 3 7 11]
[ 4 8 12]
[ 5 9 13]
[ 6 10 14]
In [57]:
# 多维转一维
A = np.arange(3,15).reshape((3,4))
# print(A)
print(A.flatten())
# flat是一个迭代器，本身是一个object属性
[ 3 4 5 6 7 8 9 10 11 12 13 14]
In [58]:
for item in A.flat:
print(item)
3
4
5
6
7
8
9
10
11
12
13
14
我们一起来来总结一下，看下面切片取值方式（对应颜色是取出来的结果）：
5.Numpy array合并
5.1 数组合并
In [59]:
import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])
print(np.vstack((A,B)))
# vertical stack 上下合并,对括号的两个整体操作。
[[1 1 1]
[2 2 2]]
In [60]:
C = np.vstack((A,B))
print(C)
[[1 1 1]
[2 2 2]]
In [61]:
print(A.shape,B.shape,C.shape)# 从shape中看出A,B均为拥有3项的数组(数列)
(3,) (3,) (2, 3)
In [62]:
# horizontal stack左右合并
D = np.hstack((A,B))
print(D)
[1 1 1 2 2 2]
In [63]:
print(A.shape,B.shape,D.shape)
# (3,) (3,) (6,)
# 对于A,B这种，为数组或数列，无法进行转置，需要借助其他函数进行转置
(3,) (3,) (6,)
5.2 数组转置为矩阵
In [64]:
print(A[np.newaxis,:]) # [1 1 1]变为[[1 1 1]]
[[1 1 1]]
In [65]:
print(A[np.newaxis,:].shape) # (3,)变为(1, 3)
(1, 3)
In [66]:
print(A[:,np.newaxis])
[[1]
[1]
[1]]
5.3 多个矩阵合并
In [67]:
# concatenate的第一个例子
print("------------")
print(A[:,np.newaxis].shape) # (3,1)
------------
(3, 1)
In [68]:
A = A[:,np.newaxis] # 数组转为矩阵
B = B[:,np.newaxis] # 数组转为矩阵
In [69]:
print(A)
[[1]
[1]
[1]]
In [70]:
print(B)
[[2]
[2]
[2]]
In [71]:
# axis=0纵向合并
C = np.concatenate((A,B,B,A),axis=0)
print(C)
[[1]
[1]
[1]
[2]
[2]
[2]
[2]
[2]
[2]
[1]
[1]
[1]]
In [72]:
# axis=1横向合并
C = np.concatenate((A,B),axis=1)
print(C)
[[1 2]
[1 2]
[1 2]]
5.4 合并例子2
In [73]:
# concatenate的第二个例子
print("-------------")
a = np.arange(8).reshape(2,4)
b = np.arange(8).reshape(2,4)
print(a)
print(b)
print("-------------")
-------------
[[0 1 2 3]
[4 5 6 7]]
[[0 1 2 3]
[4 5 6 7]]
-------------
In [74]:
# axis=0多个矩阵纵向合并
c = np.concatenate((a,b),axis=0)
print(c)
[[0 1 2 3]
[4 5 6 7]
[0 1 2 3]
[4 5 6 7]]
In [75]:
# axis=1多个矩阵横向合并
c = np.concatenate((a,b),axis=1)
print(c)
[[0 1 2 3 0 1 2 3]
[4 5 6 7 4 5 6 7]]
6.Numpy array分割
6.1 构造3行4列矩阵
In [76]:
import numpy as np
A = np.arange(12).reshape((3,4))
print(A)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
6.2 等量分割
In [77]:
# 等量分割
# 纵向分割同横向合并的axis
print(np.split(A, 2, axis=1))
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
In [78]:
# 横向分割同纵向合并的axis
print(np.split(A,3,axis=0))
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
6.3 不等量分割
In [79]:
print(np.array_split(A,3,axis=1))
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
6.4 其他的分割方式
In [80]:
# 横向分割
print(np.vsplit(A,3)) # 等价于print(np.split(A,3,axis=0))
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
In [81]:
# 纵向分割
print(np.hsplit(A,2)) # 等价于print(np.split(A,2,axis=1))
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
7.Numpy copy与 =
7.1 =赋值方式会带有关联性
In [82]:
import numpy as np
# `=`赋值方式会带有关联性
a = np.arange(4)
print(a) # [0 1 2 3]
[0 1 2 3]
In [83]:
b = a
c = a
d = b
a[0] = 11
print(a) # [11 1 2 3]
[11 1 2 3]
In [84]:
print(b) # [11 1 2 3]
[11 1 2 3]
In [85]:
print(c) # [11 1 2 3]
[11 1 2 3]
In [86]:
print(d) # [11 1 2 3]
[11 1 2 3]
In [87]:
print(b is a) # True
True
In [88]:
print(c is a) # True
True
In [89]:
print(d is a) # True
True
In [90]:
d[1:3] = [22,33]
print(a) # [11 22 33 3]
[11 22 33 3]
In [91]:
print(b) # [11 22 33 3]
[11 22 33 3]
In [92]:
print(c) # [11 22 33 3]
[11 22 33 3]
7.2 copy()赋值方式没有关联性
In [93]:
a = np.arange(4)
print(a) # [0 1 2 3]
[0 1 2 3]
In [94]:
b =a.copy() # deep copy
print(b) # [0 1 2 3]
[0 1 2 3]
In [95]:
a[3] = 44
print(a) # [ 0 1 2 44]
print(b) # [0 1 2 3]
# 此时a与b已经没有关联
[ 0 1 2 44]
[0 1 2 3]
8.广播机制
numpy数组间的基础运算是一对一，也就是a.shape==b.shape，但是当两者不一样的时候，就会自动触发广播机制，如下例子：
In [96]:
from numpy import array
a = array([[ 0, 0, 0],
[10,10,10],
[20,20,20],
[30,30,30]])
b = array([0,1,2])
print(a+b)
[[ 0 1 2]
[10 11 12]
[20 21 22]
[30 31 32]]
为什么是这个样子？
这里以tile模拟上述操作，来回到a.shape==b.shape情况！
In [97]:
# 对[0,1,2]行重复3次，列重复1次
b = np.tile([0,1,2],(4,1))
print(a+b)
[[ 0 1 2]
[10 11 12]
[20 21 22]
[30 31 32]]
到这里，我们来给出一张图
也可以看这张图：
是不是任何情况都可以呢？
当然不是，只有当两个数组的trailing dimensions compatible时才会触发广播，否则报错ValueError: frames are not aligned exception。
上面表达意思是尾部维度必须兼容！
.常用函数
9.1 np.bincount()
In [98]:
x = np.array([1, 2, 3, 3, 0, 1, 4])
np.bincount(x)
Out[98]:
array([1, 2, 1, 2, 1], dtype=int64)
统计索引出现次数：索引0出现1次，1出现2次，2出现1次，3出现2次，4出现1次
因此通过bincount计算出索引出现次数如下：
上面怎么得到的？
对于bincount计算吗，bin的数量比x中最大数多1，例如x最大为4，那么bin数量为5(index从0到4)，也就会bincount输出的一维数组为5个数，bincount中的数又代表什么？代表的是它的索引值在x中出现的次数！
还是以上述x为例子，当我们设置weights参数时候，结果又是什么？
这里假定：
In [99]:
w = np.array([0.3,0.5,0.7,0.6,0.1,-0.9,1])
那么设置这个w权重后，结果为多少？
In [100]:
np.bincount(x,weights=w)
Out[100]:
array([ 0.1, -0.6, 0.5, 1.3, 1. ])
怎么计算的？
先对x与w抽取出来：
x ---> [1, 2, 3, 3, 0, 1, 4]
w ---> [0.3,0.5,0.7,0.6,0.1,-0.9,1] 索引 0 出现在x中index=4位置，那么在w中访问index=4的位置即可，w[4]=0.1
索引 1 出现在x中index=0与index=5位置，那么在w中访问index=0与index=5的位置即可，然后将两这个加和，计算得：w[0]+w[5]=-0.6 其余的按照上面的方法即可！
bincount的另外一个参数为minlength，这个参数简单，可以这么理解，当所给的bin数量多于实际从x中得到的bin数量后，后面没有访问到的设置为0即可。
还是上述x为例：
这里我们直接设置minlength=7参数，并输出！
In [101]:
np.bincount(x,weights=w,minlength=7)
Out[101]:
array([ 0.1, -0.6, 0.5, 1.3, 1. , 0. , 0. ])
与上面相比多了两个0，这两个怎么会多？
上面知道，这个bin数量为5，index从0到4，那么当minlength为7的时候，也就是总长为7，index从0到6，多了后面两位，直接补位为0即可！
9.2 np.argmax()
函数原型为：numpy.argmax(a, axis=None, out=None).
函数表示返回沿轴axis最大值的索引。
In [102]:
x = [[1,3,3],
[7,5,2]]
print(np.argmax(x))
3
对于这个例子我们知道，7最大，索引位置为3(这个索引按照递增顺序)！
axis属性
axis=0表示按列操作，也就是对比当前列，找出最大值的索引！
In [103]:
x = [[1,3,3],
[7,5,2]]
print(np.argmax(x,axis=0))
[1 1 0]
axis=1表示按行操作，也就是对比当前行，找出最大值的索引！
In [104]:
x = [[1,3,3],
[7,5,2]]
print(np.argmax(x,axis=0))
[1 1 0]
那如果碰到重复最大元素？
返回第一个最大值索引即可！
例如：
In [105]:
x = np.array([1, 3, 2, 3, 0, 1, 0])
print(x.argmax())
1
9.3 上述合并实例
这里来融合上述两个函数，举个例子：
In [106]:
x = np.array([1, 2, 3, 3, 0, 1, 4])
print(np.argmax(np.bincount(x)))
1
最终结果为1，为什么？
首先通过np.bincount(x)得到的结果是：[1 2 1 2 1]，再根据最后的遇到重复最大值项，则返回第一个最大值的index即可！2的index为1，所以返回1。
9.4 求取精度
In [107]:
np.around([-0.6,1.2798,2.357,9.67,13], decimals=0)#取指定位置的精度
Out[107]:
array([-1., 1., 2., 10., 13.])
看到没，负数进位取绝对值大的！
In [108]:
np.around([1.2798,2.357,9.67,13], decimals=1)
Out[108]:
array([ 1.3, 2.4, 9.7, 13. ])
In [109]:
np.around([1.2798,2.357,9.67,13], decimals=2)
Out[109]:
array([ 1.28, 2.36, 9.67, 13. ])
从上面可以看出，decimals表示指定保留有效数的位数，当超过5就会进位(此时包含5)！
但是，如果这个参数设置为负数，又表示什么？
In [110]:
np.around([1,2,5,6,56], decimals=-1)
Out[110]:
array([ 0, 0, 0, 10, 60])
发现没，当超过5时候(不包含5)，才会进位！-1表示看一位数进位即可，那么如果改为-2呢，那就得看两位！
In [111]:
np.around([1,2,5,50,56,190], decimals=-2)
Out[111]:
array([ 0, 0, 0, 0, 100, 200])
看到没，必须看两位，超过50才会进位，190的话，就看后面两位，后两位90超过50，进位，那么为200！
计算沿指定轴第N维的离散差值
In [112]:
x = np.arange(1 , 16).reshape((3 , 5))
print(x)
[[ 1 2 3 4 5]
[ 6 7 8 9 10]
[11 12 13 14 15]]
In [113]:
np.diff(x,axis=1) #默认axis=1
Out[113]:
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
In [114]:
np.diff(x,axis=0)
Out[114]:
array([[5, 5, 5, 5, 5],
[5, 5, 5, 5, 5]])
取整
In [115]:
np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7])
Out[115]:
array([-1., -2., -1., -2., 0., 1., 1.])
看到没，负数取整，跟上述的around一样，是向左！
取上限
In [116]:
np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3])
Out[116]:
array([ 2., 2., 2., 3., 2., -0., -0., -0.])
取上限！找这个小数的最大整数即可！
查找
利用np.where实现小于0的值用0填充吗，大于0的数不变！
In [117]:
x = np.array([[1, 0],
[2, -2],
[-2, 1]])
print(x)
[[ 1 0]
[ 2 -2]
[-2 1]]
In [118]:
np.where(x>0,x,0)
Out[118]:
array([[1, 0],
[2, 0],
[0, 1]])