基本运算
数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
>>> a= np.array([20,30,40,50])
>>> b= np.arange( 4)
>>> b
array([0, 1, 2, 3])
>>> c= a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])
>>> a<35
array([True, True, False, False], dtype=bool)
|
与其他矩阵语言不同，NumPy中的乘法运算符*按元素逐个计算，矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)
|
1
2
3
4
5
6
7
8
9
10
|
>>> A= np.array([[1,1],
...[0,1]])
>>> B= np.array([[2,0],
...[3,4]])
>>> A*B # 逐个元素相乘
array([[2, 0],
[0, 4]])
>>> np.dot(A,B) # 矩阵相乘
array([[5, 4],
[3, 4]])
|
有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> a= np.ones((2,3), dtype=int)
>>> b= np.random.random((2,3))
>>> a*= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b+= a
>>> b
array([[ 3.69092703, 3.8324276, 3.0114541],
[ 3.18679111, 3.3039349, 3.37600289]])
>>> a+= b # b转换为整数类型
>>> a
array([[6, 6, 6],
[6, 6, 6]])
|
当数组中存储的是不同类型的元素时，数组将使用占用更多位（bit）的数据类型作为其本身的数据类型，也就是偏向更精确的数据类型(这种行为叫做upcast)。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
>>> a= np.ones(3, dtype=np.int32)
>>> b= np.linspace(0,np.pi,3)
>>> b.dtype.name
'float64'
>>> c= a+b
>>> c
array([ 1., 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d= exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,
-0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'
|
许多非数组运算，如计算数组所有元素之和，都作为ndarray类的方法来实现，使用时需要用ndarray类的实例来调用这些方法。
|
1
2
3
4
5
6
7
8
9
10
|
>>> a= np.random.random((2,3))
>>> a
array([[ 0.65806048, 0.58216761, 0.59986935],
[ 0.6004008, 0.41965453, 0.71487337]])
>>> a.sum()
3.5750261436902333
>>> a.min()
0.41965453489104032
>>> a.max()
0.71487337095581649
|
这些运算将数组看作是一维线性列表。但可通过指定axis参数（即数组的行）对指定的轴做相应的运算：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
>>> b= np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0) # 计算每一列的和，注意理解轴的含义，参考数组的第一篇文章
array([12, 15, 18, 21])
>>> b.min(axis=1) # 获取每一行的最小值
array([0, 4, 8])
>>> b.cumsum(axis=1) # 计算每一行的累积和
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
|
索引，切片和迭代
和列表和其它Python序列一样，一维数组可以进行索引、切片和迭代操作。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
>>> a= np.arange(10)**3 #记住，操作符是对数组中逐元素处理的！
>>> a
array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000，从开始到第6个位置，每隔一个元素将其赋值为-1000
>>> a
array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])
>>> a[: :-1] # 反转a
array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])
>>>for i in a:
... print i**(1/3.),
...
nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
|
多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
>>>def f(x,y):
... return 10*x+y
...
>>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数，下篇文章介绍。
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1] # 每行的第二个元素
array([ 1, 11, 21, 31, 41])
>>> b[: ,1] # 与前面的效果相同
array([ 1, 11, 21, 31, 41])
>>> b[1:3,: ] # 每列的第二和第三个元素
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
|
当少于提供的索引数目少于轴数时，已给出的数值按秩的顺序复制，确失的索引则默认为是整个切片：
|
1
2
|
>>> b[-1] # 最后一行，等同于b[-1,:]，-1是第一个轴，而缺失的认为是：，相当于整个切片。
array([40, 41, 42, 43])
|
b[i]中括号中的表达式被当作i和一系列:，来代表剩下的轴。NumPy也允许你使用“点”像b[i,...]。
点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴)，那么:
- x[1,2,…] 等同于 x[1,2,:,:,:],
- x[…,3] 等同于 x[:,:,:,:,3]
- x[4,…,5,:] 等同 x[4,:,:,5,:]
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
>>> c= array( [ [[ 0, 1, 2], #三维数组（两个2维数组叠加而成）
...[ 10, 12, 13]],
...
...[[100,101,102],
...[110,112,113]]] )
>>> c.shape
(2, 2, 3)
>>> c[1,...] #等同于c[1,:,:]或c[1]
array([[100, 101, 102],
[110, 112, 113]])
>>> c[...,2] #等同于c[:,:,2]
array([[ 2, 13],
[102, 113]])
|
多维数组的遍历是以是第一个轴为基础的：
|
1
2
3
4
5
6
7
8
|
>>>for row in b:
... print row
...
[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]
|
如果想对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器：
|
1
2
3
4
|
>>>for element in b.flat:
... print element,
...
0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
|
更多关于[]、…、newaxis、ndenumerate、indices、index exp的内容请参考NumPy示例
形状（shape）操作
更改数组的形状
数组的形状取决于其每个轴上的元素个数：
|
1
2
3
4
5
6
7
|
>>> a= np.floor(10*np.random.random((3,4)))
>>> a
array([[ 7., 5., 9., 3.],
[ 7., 2., 7., 8.],
[ 6., 8., 3., 2.]])
>>> a.shape
(3, 4)
|
可以用多种方式修改数组的形状：
|
1
2
3
4
5
6
|
>>> a.ravel() # 平坦化数组
array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])
>>> a.shape= (6, 2)
>>> a.transpose()
array([[ 7., 9., 7., 7., 6., 3.],
[ 5., 3., 2., 8., 8., 2.]])
|
由ravel()展平的数组元素的顺序通常是“C风格”的，就是以行为基准，最右边的索引变化得最快，所以元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape)，数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组，所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时，就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组，即最左边的索引变化最快。
reshape函数改变调用数组的形状并返回该数组，而resize函数改变调用数组自身。
|
1
2
3
4
5
6
7
8
9
10
11
|
>>> a
array([[ 7., 5.],
[ 9., 3.],
[ 7., 2.],
[ 7., 8.],
[ 6., 8.],
[ 3., 2.]])
>>> a.resize((2,6))
>>> a
array([[ 7., 5., 9., 3., 7., 2.],
[ 7., 8., 6., 8., 3., 2.]])
|
如果在reshape操作中指定一个维度为-1，那么其准确维度将根据实际情况计算得到
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：http://blog.csdn.net/sunny2038/article/details/9023797