感觉专门花费大量时间去精通一门语言是很困难的，因为许多高深的用法即使你当时学会了，也会因为很少使用导致你很快忘记。反倒是在平时的学习过程中遇到一些很棒的用法记录下来，以便以后使用倒很有帮助。所以打算专门用一篇博文记录我所遇到的python语言中如numpy、matplotlib等比较棒的库的函数用法和技巧。
-
numpy.flatnonzero()
函数用法大概是这样的：
输入一个矩阵，返回了其中非零元素的位置：>>> import numpy as np >>> a = np.array([1,5,0,0,1,2]) >>> print np.flatnonzero(a) [0 1 4 5]这个函数比较简单，你以为它只能返回非元素的位置？那你就错了，比如上面的例子，返回1和2的位置：
>>> print np.flatnonzero(a==1) [0 4] >>> print np.flatnonzero(a==2) [5]对于一个n维矩阵，这个函数返回的是将该矩阵按行拉成一列后，每个元素所在的位置的下标。
-
numpy.concatenate((a1, a2, …), axis=0, out=None)
将矩阵a1,a2….按照某一维度进行拼接：>>> a = np.arange(0,12,1) >>> a = a.reshape((4,3)) >>> print a [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] >>> b = np.arange(0,-6,-1) >>> b = b.reshape((2,3)) >>> print b [[ 0 -1 -2] [-3 -4 -5]] >>> c = np.concatenate((a,b),axis=0) #沿着第一个维度进行拼接 >>> prnint c [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11] [ 0 -1 -2] [-3 -4 -5]] >>> b = np.arange(0,-8,-1) >>> b = b.reshape((4,2)) >>> print b [[ 0 -1] [-2 -3] [-4 -5] [-6 -7]] >>> c = np.concatenate((a,b),axis=1) #沿着第二个维度进行拼接 >>> print c [[ 0 1 2 0 -1] [ 3 4 5 -2 -3] [ 6 7 8 -4 -5] [ 9 10 11 -6 -7]]技巧：因为矩阵的拼接需要满足维度匹配的要求，所以在如果我们在高维度矩阵拼接时，遵循下面准则，就能保证不出错：要沿着x维度进行拼接，保证除了该维度以外的其他所有维度的维数一致，拼接后的矩阵除了x维度变化以外，其他维度均保持不变。 举个列子：
>>> a = np.arange(0,24,1) >>> a = a.reshape((4,3,2,1)) >>> b = np.arange(0,-16,-1) >>> b = b.reshape((4,2,2,1)) >>> c = np.concatenate((a,b),axis=1) #如果我想沿着第二个维度进行拼接，则矩阵b的第1、3、4维的维数和a的对应维度维数一致 >>> print c.shape (4, 5, 2, 1) #拼接后的矩阵除了第2维变大，其它维度和a保持一致 -
numpy.random.choice(a, size=None, replace=True, p=None)
可以从一个int数字或1维array里随机选取内容，并将选取结果放入n维array中返回。p是一个一维度列表，对于于a中每个元素被选中的概率。>>> a = np.arange(1,10,1) >>> print a [1 2 3 4 5 6 7 8 9] >>> print (np.random.choice(a,size=9,replace=True)) #replace代表是否有放回的随机选取，True表示有放回 [8 4 1 3 8 8 3 3 7] >>> print (np.random.choice(a,size=9,replace=False)) #False表示无放回 [2 4 7 8 5 3 1 9 6] >>> np.random.choice(a,size=10,replace=True,p=[0,0,0.1,0.1,0.2,0.1,0.3,0.1,0.1]) #指定对应元素被选中的概率，可以看到7的概率最大，所以出现的次数最多 array([8, 6, 5, 5, 7, 3, 5, 7, 7, 5]) -
numpy.array_split(ary, indices_or_sections, axis=0)和numpy.split(ary, indices_or_sections, axis=0)
这两个函数都可以将一个多为数组按照指定维度进行切分，ary是被切分的对象数组，indices_or_sections是指定被切分的份数或一个列表（见下面示例），axis为指定维度。这两个函数唯一的区别是，split只能划分为等分的子数组，而array_split可以划分为长度不等的子数组，其计算公式如下，l为数组被切分维度的长度，n为被切分份数，则它返l%n个长度为(l//n)+1的子数组，其余的（n-l%n）个子数组长度为l//n（//为取整符号）：##能等分的例子 >>> x = np.arange(12) >>> np.split(x, 3) [array([0, 1, 2, 3]), array([4, 5, 6, 7]), array([ 8, 9, 10, 11])] >>> np.array_split(x, 4) [array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8]), array([ 9, 10, 11])] #按给定列表进行指定等分划分，可以把列表中的元素看作是原数组中被切分的位置的下标 >>> np.array_split(x, [2, 5, 9, 11]) [array([0, 1]), array([2, 3, 4]), array([5, 6, 7, 8]), array([ 9, 10]), array([11])] >>> np.split(x, [2, 5, 9, 11]) [array([0, 1]), array([2, 3, 4]), array([5, 6, 7, 8]), array([ 9, 10]), array([11])] #不能被等分的例子，可以看到数组长度为12，分成5分，不能保证每一份的元素个数相等,因此split函数会报错，而对于array_split则会通过前面的公式来指定每一个子数组的大小，首先12%5=2，因此前两个数组的大小为(12//5)+1=3,剩下的（5-12%5）= 3个数组大小为12//5=2，所以结果为[array([0, 1, 2]), array([3, 4, 5]), array([6, 7]), array([8, 9]), array([10, 11])] >>> x = np.arange(12) >>> np.split(x, 5) Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/home/forever/anaconda2/lib/python2.7/site-packages/numpy/lib/shape_base.py", line 541, in split 'array split does not result in an equal division') ValueError: array split does not result in an equal division >>> np.array_split(x, 5) [array([0, 1, 2]), array([3, 4, 5]), array([6, 7]), array([8, 9]), array([10, 11])] -
python中list和numpy数组，对于赋值操作（=）都是属于浅拷贝，即指向同一块内存地址
>>> a = np.arange(10) >>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> b = a >>> a[0] -= 10 >>> a array([-10, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> b array([-10, 1, 2, 3, 4, 5, 6, 7, 8, 9]) #b也会被修改 >>> a = list(np.arange(10)) >>> a [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] >>> b = a >>> a[0] -= 10 >>> a [-10, 1, 2, 3, 4, 5, 6, 7, 8, 9] #b也会改变 >>> b [-10, 1, 2, 3, 4, 5, 6, 7, 8, 9] numpy.stack和numpy.hstack、numpy.vstack
-
python中numpy矩阵元素的访问
这是我们经常用的操作，但是其实很多时候我们对其中的原理并不是特别清楚，比如：>>> a = np.arange(0,28) >>> a = a.reshape([4,7]) >>> a array([[ 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, 27]]) >>> a[1,2] 9 >>> a[1][2] 9这两种方式都可以完成一样的操作，即访问数组中的元素，但是其实它们是不一样的，看下面的例子:
>>> a[0:3, 1:3] array([[ 1, 2], [ 8, 9], [15, 16]]) >>> a[0:3][1:3] array([[ 7, 8, 9, 10, 11, 12, 13], [14, 15, 16, 17, 18, 19, 20]])可以看到，在这种情况下，前者其实是切片草组，也就是从原数组中不破坏其结构的从中抽取部分行与列（对于二维数组来说），而后者则是先返回a[0:3]即原数组的前三行，然后再从这三行形成的新数组中返回[1:3]行，因此返回的数组列的维度不变。
numpy.maximum(X, Y, out=None)
将X和Y进行比较，并取最大者
>>> a
array([1, 2, 3, 4, 5, 6])
>>> b
array([2, 4, 5, 2, 1, 4])
>>> np.maximum(a,b)
array([2, 4, 5, 4, 5, 6])
>>> a = np.arange(0,28)
>>> a = a.reshape([4,7])
>>> a
array([[ 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, 27]])
>>> np.maximum(a,10) #用到了python的广播机制
array([[10, 10, 10, 10, 10, 10, 10], [10, 10, 10, 10, 11, 12, 13], [14, 15, 16, 17, 18, 19, 20], [21, 22, 23, 24, 25, 26, 27]])-
numpy.zeros_like(a, dtype=None, order=’K’, subok=True)
创建一个与给定数组维度一样的元素全是0的新数组，后面两个参数一般不使用。(order:可选参数，c代表与c语言类似，行优先；F代表列优先)>>> x = np.arange(6) >>> x = x.reshape((2, 3)) >>> x array([[0, 1, 2], [3, 4, 5]]) >>> np.zeros_like(x) array([[0, 0, 0], [0, 0, 0]]) >>> y = np.arange(3, dtype=float) >>> y array([ 0., 1., 2.]) >>> np.zeros_like(y) array([ 0., 0., 0.]) -
numpy.prod(a, axis=None, dtype=None, out=None, keepdims=bool)
对一个多维数组，返回指定维度上元素的乘积，示例：>>> a = np.arange(1, 29) / 100. >>> a array([ 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, 0.1 , 0.11, 0.12, 0.13, 0.14, 0.15, 0.16, 0.17, 0.18, 0.19, 0.2 , 0.21, 0.22, 0.23, 0.24, 0.25, 0.26, 0.27, 0.28]) >>> a = a.reshape((4,7)) >>> np.prod(a, axis = 0) array([ 2.64000000e-05, 6.62400000e-05, 1.22400000e-04, 1.98000000e-04, 2.96400000e-04, 4.21200000e-04, 5.76240000e-04]) >>> np.prod(a, axis = 1) array([ 5.04000000e-11, 1.72972800e-07, 5.86051200e-06, 5.96756160e-05]) >>> np.prod(a, axis = (0, 1)) 3.0488834461171415e-27 >>> np.prod(a) 3.0488834461171415e-27