Numpy 数据类型
bool 用一位存储的布尔类型（值为TRUE或FALSE） inti 由所在平台决定其精度的整数（一般为int32或int64） int8 整数，范围为128至127 int16 整数，范围为32 768至32 767 int32 整数，范围为231至231 1 int64 整数，范围为263至263 1 uint8 无符号整数，范围为0至255 uint16 无符号整数，范围为0至65 535 uint32 无符号整数，范围为0至2321 uint64 无符号整数，范围为0至2641 float16 半精度浮点数（16位）：其中用1位表示正负号，5位表示指数，10位表示尾数 float32 单精度浮点数（32位）：其中用1位表示正负号，8位表示指数，23位表示尾数 float64或float 双精度浮点数（64位）：其中用1位表示正负号，11位表示指数，52位表示尾数 complex64 复数，分别用两个32位浮点数表示实部和虚部 complex128或complex 复数，分别用两个64位浮点数表示实部和虚部
一维数组的索引和切片
import numpy as np d = np.arange(9) print (d) # [0 1 2 3 4 5 6 7 8] print (d[2:4]) # 获取2~4 之间的元素 # [2 3] print (d[::-1]) # 负数下标翻转数组 # [8 7 6 5 4 3 2 1 0]
# 改变数组的维度
# reshape 改变数组维度(重新调整矩阵的行数、列数、维数。)
import numpy as np e = np.arange(9) print (e) # [0 1 2 3 4 5 6 7 8] e1 = e.reshape(3,3) # print (e1) #[[0 1 2] # [3 4 5] # [6 7 8]]
ravel函数完成展平
import numpy as np f = np.arange(24).reshape(2,3,4) print (f) #[[[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] # # [[12 13 14 15] # [16 17 18 19] # [20 21 22 23]]] f1 = f.ravel() print (f1) #[ 0 1 2 ..., 21 22 23]
flatten 这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view）
f2 = f.flatten() print (f2) #[ 0 1 2 ..., 21 22 23]
shape,用元组设置维度
f.shape=(6,4) print (f) #[[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11] # [12 13 14 15] # [16 17 18 19] # [20 21 22 23]]
resize,resize和reshape函数的功能一样，但resize会直接修改所操作的数组：
f.resize((2,12)) print (f) #[[ 0 1 2 ..., 9 10 11] # [12 13 14 ..., 21 22 23]]
数组的组合
import numpy as np a = np.arange(9).reshape(3,3) print (a) #[[0 1 2] # [3 4 5] # [6 7 8]] b = 2 * a print (b) #[[ 0 2 4] # [ 6 8 10] # [12 14 16]]
# 1. 水平组合hstack函数
h = np.hstack((a,b)) print (h) #[[ 0 1 2 0 2 4] # [ 3 4 5 6 8 10] # [ 6 7 8 12 14 16]]
# 2. 垂直组合vstack函数
v = np.vstack((a,b)) print (v) #[[ 0 1 2] # [ 3 4 5] # [ 6 7 8] # [ 0 2 4] # [ 6 8 10] # [12 14 16]]
# 3. 深度组合dstack函数(将一系列数组沿着纵轴（深度）方向进行层叠组合)
d = np.dstack((a,b)) print (d) #[[[ 0 0] # [ 1 2] # [ 2 4]] # # [[ 3 6] # [ 4 8] # [ 5 10]] # # [[ 6 12] # [ 7 14] # [ 8 16]]]
# 4. 列组合,column_stack函数对于一维数组将按列方向进行组合,对于二维数组，column_stack与hstack的效果是相同
c = np.arange(5) c1 = 2 * c c2 = np.column_stack((c,c1)) print (c2) #[[0 0] # [1 2] # [2 4] # [3 6] # [4 8]] l = np.column_stack((a,b)) print (l) #[[ 0 1 2 0 2 4] # [ 3 4 5 6 8 10] # [ 6 7 8 12 14 16]]
# 行组合row_stack函数（对于两个一维数组，将直接层叠起来组合成一个二维数组，对于二维数组，row_stack与vstack的效果是相同的）
c = np.arange(5) c1 = 2 * c c3 = np.row_stack((c,c1)) print (c3) #[[0 1 2 3 4] # [0 2 4 6 8]] r = np.row_stack((a,b)) print (r) #[[ 0 1 2] # [ 3 4 5] # [ 6 7 8] # [ 0 2 4] # [ 6 8 10] # [12 14 16]]
# 分割数组
A = np.arange(9).reshape(3,3) print (A) #[[0 1 2] # [3 4 5] # [6 7 8]]
# 1. 水平分割 hsplit函数
H = np.hsplit(A,3) print (H) #[array([[0], # [3], # [6]]), array([[1], # [4], # [7]]), array([[2], # [5], # [8]])]
# 调用split函数并指定参数axis=1
H1 =np.split(A,3,axis=1) print (H1) #[array([[0], # [3], # [6]]), array([[1], # [4], # [7]]), array([[2], # [5], # [8]])]
# 2. 垂直分割,vsplit函数
V = np.vsplit(a,3) print (V) #[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
# 调用split函数并指定参数axis=0
V1 = np.split(A,3,axis=0) print (V1) #[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
# 3. 深度分割,dsplit函数
C = np.arange(27).reshape(3,3,3) print (C) #[[[ 0 1 2] # [ 3 4 5] # [ 6 7 8]] # # [[ 9 10 11] # [12 13 14] # [15 16 17]] # # [[18 19 20] # [21 22 23] # [24 25 26]]] D = np.dsplit(C,3) print (D) #[array([[[ 0], # [ 3], # [ 6]], # # [[ 9], # [12], # [15]], # # [[18], # [21], # [24]]]), array([[[ 1], # [ 4], # [ 7]], # # [[10], # [13], # [16]], # # [[19], # [22], # [25]]]), array([[[ 2], # [ 5], # [ 8]], # # [[11], # [14], # [17]], # # [[20], # [23], # [26]]])]
# 数组的属性
num = np.arange(24).reshape(2,12) print (num) #[[ 0 1 2 ..., 9 10 11] # [12 13 14 ..., 21 22 23]]
# 1. ndim属性，给出数组的维数，或数组轴的个数
print (num.ndim) #2
# 2. size属性，给出数组元素的总个数
print (num.size) #24
# 3. itemsize属性，给出数组中的元素在内存中所占的字节数
print (num.itemsize) #4
# 4. nbytes属性,整个数组所占的存储空间(itemsize和size属性值的乘积)
print (num.nbytes) #96
# 5. T属性,效果和transpose函数一样
# 数组的转换,tolist函数