numpy 是 Python 中的一个开源数值计算扩展库，它提供了大量的数学函数库，以及一个强大的 N 维数组对象 ndarray。numpy 是 Python 进行科学计算的基础包，广泛用于数据分析、机器学习、深度学习等领域。

算术函数

如果参与运算的两个对象 都是ndarray，并且形状相同，那么会对位彼此之间进行（+ - * /）运算。NumPy 算术函数包含简单的加减乘除: add()，subtract()，multiply() 和divide()。

算术函数的使用

a=np.arange(9,dtype=np.float).reshape(3,3)
b=np.array([10,10,10])
print(np.add(a,b))
print(a+b)
print(np.subtract(a,b))
print(a-b)
print(np.multiply(a,b))
print(a*b)
print(np.divide(a,b))
print(a/b)

算术函数中out参数的使用

x = np.arange(5)
y = np.empty_like(x)
np.multiply(x, 10, out=y)
print(y)

mod()函数的使用

numpy.mod() 计算输入数组中相应元素的相除后的余数。函数numpy.remainder() 也产生相同的结果。

a=np.array([10,10,30])
b=np.array([3,5,7])
print(np.mod(a,b))
print(np.remainder(a,b))
print(a%b)

统计函数

NumPy 提供了很多统计函数，用于从数组中查找最小元素，最大元素，百分位标准差和方差等。 具体如下：

函数名	说明
np.sum()	求和
np.prod()	所有元素相乘
np.mean()	平均值
np.std()	标准差
np.var()	方差
np.median()	中数
np.power()	幂运算
np.sqrt()	开方
np.min()	最小值
np.max()	最大值
np.argmin()	最小值的下标
np.argmax()	最大值的下标
np.cumsum()	对数组中元素累积求和，可指定轴
np.cumprod()	对数组中元素累积求积，可指定轴
np.ptp()	计算一组数中最大值与最小值的差，可指定轴
np.unique()	删除数组中的重复数据，并对数据进行排序
np.nonzero()	返回数组中非零元素的索引

power()函数的使用

numpy.power() 函数将第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂。

x = np.arange(1,5)
y = np.empty_like(x)
np.power(x, 2, out=y)
print(y)

median ()函数的使用

a=np.array([4,2,1,5])
#计算偶数的中位数
print('偶数的中位数：'
,np.median(a))
a=np.array([4,2,1])
print('奇数个的中位数：'
,np.median(a))
a=np.arange(1,16).reshape(3,5)
print('调用median函数')
print(np.median(a))
print('调用median函数，axis=1 行的中值')
print(np.median(a,axis=1))
print('调用median函数，axis=0 列的中值')
print(np.median(a,axis=0))

mean ()函数的使用

numpy.mean() 函数返回数组中元素的算术平均值。 如果提供了轴，则沿其计算。算术平均值是沿轴的元素的总和除以元素的数量。

a=np.arange(1,11).reshape(2,5)
print(np.mean(a))
print('调用mean函数 axis=0 列')
print(np.mean(a,axis=0))
print('调用mean函数 axis=1 行')
print(np.mean(a,axis=1))

函数的使用

a = np.random.randint(10,50,size=20)
np.max(a)
np.sum(a)
np.min(a)
np.max(a)
np.ptp(a)
np.unique(a)
np.nonzero(a)

其他常用函数

方法	说明
np.tile()	将数组的数据按照行列复制扩展
np.repeat()	将数组中的每个元素重复若干次
roll()	沿指定轴对数组元素进行移位
resize()	重新调整数组的大小
place()/put()	将数组中满足条件的元素/指定的元素替换为指定的值
np.savetxt()	将数据保存到txt文件中
np.loadtxt()	从文件中加载数据
np.genfromtxt()	根据文件内容中生成数据，可以指定缺失值的处理等
np.any()	如果数组中存在一个为True的元素（或者能转为True的元素），则返回True
np.all()	如果数组中所有元素都为True（或者能转为True的元素），则返回True
np.where(条件,x,y)	如果条件为True，对应值为x，否则对应值为y
np.dot()	将矩阵相乘
np.sort()	对数组进行排序，返回一个新的排好序的数组，原数组不变
np.argsort()	返回的是数组值从小到大排序后元素对应的索引值

tile()和repeat()函数的使用

a = np.arange(4)
#复制2次
np.tile(a,2)
#行列复制
np.tile(a,(3,2))
np.repeat(a,2)
a = np.arange(1,13).reshape(3,4)
np.repeat(a,2)
np.repeat(a,2,axis=0)
np.repeat(a,2,axis=1)

roll()函数的使用

#一维数组
#向后调3个
np.roll(a,3)
#向前调1个
np.roll(a,-1)
#二维数组
np.roll(aa,2)
np.roll(aa,2,axis=0)

resize()函数的使用

aa.reshape(4,3)#修改维度，元素个数必须相同
np.resize(aa,(5,6)) #resize重新调整数组的大小，元素个数可以不相同

replace()和put()函数的使

aa = np.random.randint(40,100,(3,4))
#小于60分的 全部替换为0
np.place(aa,aa<60,0)
#put()指定的索引处的元素替换为指定的值
aa = np.arange(1,13).reshape(3,4)
np.put(aa,2,100)

savetxt()和loadtxt()函数的使用

#保存
a = np.random.randint(-50,100,1000)
np.savetxt('savetxt.txt',a,fmt='%d')
#加载
b = np.loadtxt('savetxt.txt',dtype=int)
b

any()、all()函数的使用

#any函数 只要有一个元素为True，则结果返回True
#all函数 只有所有元素都为True，则结果返回True
x = np.array([False,True,True,1,None,0])
np.any(x)
np.all(x)

where()函数的使用

np.random.seed()
a = np.random.randint(20,100,10)
print(a)
print(np.where(a>50,True,False))

dot函数的使用

#dot函数 矩阵相乘
x = np.array([[1,2],[3,4]])
y = np.array([[2,3],[1,2]])
x.dot(y)
x.dot(3) #每个元素与3相乘

注意：矩阵相乘前提是，第一个矩阵的列数和第二个矩阵的行数要相同

数组排序

一维数组排序

排序中主要用到的方法是np.sort和np.argsort。其中np.sort()是对数组直接排序。而np.argsort()是返回排序后的原始索引。

a=np.array([5,2,4,6,1,9])
print('sort排序后：'
,np.sort(a))
print('argsort排序：'
,np.argsort(a))

二维数组排序

np.random.seed(44)
a=np.random.randint(100,size=(4,6))
#直接使用sort排序指定axis的值
print(np.sort(a,axis=0))
print(np.sort(a,axis=1))

按最后一列进行排序

#可以先获取最后一列的数组
b=a[:,-1]
print(b)
#获取最后一列数组排序后的原始索引
index=np.argsort(b)
#使用facy_indexing汇总数组
print(a[index])

numpy广播机制

两个数组相加

import numpy as np
# 在numpy中存在广播机制
a=np.array([0,1,2])
print(a+5)
b=np.array([5,5,5])
print(a+b)

维度不相同的数组相加

a=np.arange(3) #一行[0 1 2]
b=np.arange(3).reshape(3,1)  #三行1列
'''
广播的规则
1，如果两个数组维度个数不同，那么小维度的数组形状会在
左边补1
2，如果两个数组形状在任何一个维度上都不匹配，数组的形
状会沿着维度为1的维度扩展到匹配上另一个数组的形状
3，如果没有维度形状为1，则会引发异常
0 1 2         0 0 0
0 1 2         1 1 1
0 1 2         2 2 2
'''
print(a+b)