首先导入numpy

import numpy as np

np.range

np.range(start, end, step): 获取指定区间和步长的列表。

np.arange(0, 1, 0.1)  # 区间: [0, 1), 步长: 0.1

np.quantile

np.quantile(mlst, bins)：按指定比例获取数据列表的分位数值。比如: 要获取mlst=[0,1,2,3,4]的bins=[0.5]分位数(即50%分位数)：bined=[2]。

# 指定比例
bins = np.arange(0, 1, 0.1) 
# 数据列表
mlst = range(0, 101)
# 分位数值
mqtl = np.quantile(mlst, bins)
mqtl

np.digitize

np.digitize(mlst, bined)：对应mlst列表中的数据落在bined对应数值(区域)的索引。

mlst = range(0, 101)
bins = np.arange(0, 1, 0.1)
mqtl = np.quantile(mlst, bins)
binned = np.digitize(mlst, mqtl)
binned

np.random

rand

np.random.rand(int)：生成int个[0,1)之间的随机数

np.random.rand(4)

注意：多次随机输出的数据不同。

seed

np.random.seed(int)：生成随机数前，指定随机种子为int，用于固定随机输出值。

np.random.seed(0)  # 指定种子为0
np.random.rand(4)  # 生成4个[0,1)之间的随机数

注意：固定种子后，多次随机生成的值相同。

permutation

np.random.permutation(list)：打乱原来的list顺序。

np.random.permutation(range(10))

np.unique

np.unique(list, return_inverse=True) 对list去重复，return_inverse指定是否返回：原数组元素对应的去重后的索引。

lst = np.array([1,2,3,2,3,4,5])
ulst, ilst = np.unique(lst, return_inverse=True)
print(ulst)
print(lst)
print(ilst)

np.zeros

生成全为0的数组，可以指定多个维度。

np.zeros(5)
np.zeros((3, 5))
np.zeros((3, 2, 5))

也可通过np.zero_like获取相同形状的数组。

np.zeros_like([1,2,3])
np.zeros_like([[1,2,3], [2,3,4]])

np.sum

对数组求和。

np.sum([1,2,3])  # 求所有元素之和
np.sum([[1,2,3], [2,3,4]])  # 求所有元素之和
np.sum([[1,2,3], [2,3,4]], 0)  # 按列求和
np.sum([[1,2,3], [2,3,4]], 1)  # 按行求和

类似求和：求均值np.mean、求最小np.min、求最大np.max

np.log

np.log以$e$为底取对数。np.log2以$2$为底。np.log10以$10$为底。

lst = np.array([1,2,3,2,3,4,5])
np.log(lst)

取对数前后：

import matplotlib.pyplot as plt
p1 = plt.scatter(range(len(lst)), lst, label='raw')
p2 = plt.scatter(range(len(lst)), np.log(lst), label='log')
plt.legend()

transpose

转置。与.T相同。

np.array([[1,2,3], [2,3,4]]).transpose()
np.array([[1,2,3], [2,3,4]]).T

bool判断

np.array([1,2])!=0

未完待续。。。

RandomState
np.random.RandomState(int_seed)

default_rng
np.random.default_rng(int_seed)

更多：

• numpy数学运算属性：https://numpy.org/doc/stable/reference/routines.math.html