---

前言

• 通过今天的学习，我进一步掌握了更多numpy的语法知识

---

一、广播机制

• 广播（Broadcast）是 numpy 对不同形状（shape）的数组进行数值计算的方式
• 核心是对形状较小的数组，在维度为1的横向或纵向上进行一定次数的重复，使其与形状较大的数组拥有相同的维度

a = np.array([[1, 2, 3], [4, 5, 6]])  # 形状: (2, 3)
b = np.array([10, 20, 30])            # 形状: (3,)
c = a + b
print(c)

tips：b是一维数组，可以暂时看做一行三列，通过广播机制变为两行三列即可与a相加

二、数组遍历

1.for循环

• 使用for循环遍历数组的第一维度，可以理解为拆开数组第一层括号的结果

arr = np.array([[1, 2, 3], [4, 5, 6]])
for i in arr:
    print(i)

2.nditer函数

• nditer函数一般用于遍历多维数组中的每一个元素
• 相较于flat属性可以进行更加复杂的遍历操作，如修改元素，以及指定遍历顺序等等

for i in np.nditer(arr,order="c"):
	print(i,end=",")

• 使用flags参数指定迭代器额外行为；multi_index: 返回每个元素的多维索引。external_loop: 返回一维数组而不是单个元素

it = np.nditer(arr, flags=['multi_index'])
for x in it:
    print(f"元素: {x}, 对应索引: {it.multi_index}")
print(" ")
for x in np.nditer(arr, flags=['external_loop'], order='f'):
    print(x)

三、数组操作

1.reshape函数

• 返回一个新数组，要求与原数组的元素个数保持一致
• 新数组是原数组的视图，对新数组进行修改会直接影响原数组

arr = np.array([1,2,3,4,5,6])
arr_1 = arr.reshape((2,3))
arr_2 = arr.reshape((3,-1)) #-1作为占位符，numpy自动计算
arr_3 = arr.reshape((2,3,1)) #可以理解为分为2个二维数组，每个二维数组是三行一列

2.flat属性

• 与nditer函数有相似的功能，用于行以优先遍历数组元素，返回一个一维迭代器

arr = np.array([1,2,3,4,5,6])
for i in arr.flat:
    print(i)
print(arr.flat)

3.flatten函数

• 将多维数组转化为一维数组
• 返回的是原数组的深拷贝，修改并不会影响原数组

arr = np.array([[1, 2, 3], [4, 5, 6]])
flat_arr = arr.flatten(order='C') #按行优先顺序展开
print(flat_arr)
flat_arr[-1] = 7
print(arr)

4.revel函数

• 将多维数组转化为一维数组
• 返回的是原数组的视图，修改会直接影响原数组

arr = np.array([[1, 2, 3], [4, 5, 6]])
ravel_arr = arr.ravel() #按行优先顺序展开
print(ravel_arr)
ravel_arr[-1] = 7
print(arr)

5.数组转置

• 在numpy中数组的转置与数学意义上的转置相同，可以使用transpose函数或者T属性

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.transpose(arr))
print(arr.T)

6.升维与降维

• 使用expand_dims和squeeze函数即可对数组进行升维和降维

a = np.array([1, 2, 3])
b = np.expand_dims(a, axis=0) #行方向升维
print(b)
c = np.expand_dims(a, axis=1) #列方向升维
print(c)

c = np.array([[[1, 2, 3]]])
d = np.squeeze(c, axis=0)
print(d)
e = np.squeeze(c, axis=1)
print(e)
try:
    f = np.squeeze(c, axis=2) #指定删除的维度值必须为1,否则将会报错
except:
    print("error")
g = np.squeeze(c, axis=None) #若为None,则删除数组维度中所有为 1 的项
print(g)

tips：降维要求降低的维度数必须为1，否则报错；如果不指定降维的轴，则会对所有维度为1的轴进行降维

7.数组的连接与分割

• 使用hstack和vstack函数对数组进行垂直，水平拼接
• 要求使用时对应维度的形状相同

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5], [6]])
result = np.hstack((arr1, arr2)) #竖直拼接
print(result)

arr1 = np.array([1, 2, 3])
arr2 = np.array([[4, 5, 6],[7,8,9]])
result = np.vstack((arr1, arr2)) #水平拼接
print(result)

• 使用hsplit和vsplit函数对数组进行垂直，水平分割
• 需要指定分割处的索引

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
result = np.hsplit(arr, [1, 3]) #在索引1,3处分割
print(result[2])
result = np.vsplit(arr, [1]) #在索引1处分割
print(result[0])

8.数组运算

• 对于二维数组，np.dot相当于矩阵乘法
• 对于一维数组，np.dot相当于向量点积

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
result = np.dot(a, b)
print(result)

• np.lianlg.det用于求行列式（要求方阵）

a = np.array([[1, 2], [3, 4]],dtype=int)
det_a = np.linalg.det(a) #计算行列式,要求方阵
print(det_a)

---

THE END