python中numpy 常用操作总结

import numpy as np

np.array([1, 2, 3]) #一维数组
np.array([(1, 2, 3), (4, 5, 6)]) #二维数组

np.zeros((3, 3)) #3行3列
np.ones((2, 3, 4))

#一维等差
np.arange(5) #array([0, 1, 2, 3, 4])
# 二维等差
np.arange(6).reshape(2, 3)
结果：
array([[0, 1, 2],
[3, 4, 5]])

np.eye(3)
结果：
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])

#一维
np.linspace(1, 10, num=6) #array([ 1. , 2.8, 4.6, 6.4, 8.2, 10. ])

np.random.rand(2, 3)
array([[0.40360777, 0.74141574, 0.32018331],
[0.15261484, 0.18692149, 0.19351765]])

np.random.randint(10, size=(2, 3)) #数值小于10
array([[2, 1, 0],
[2, 7, 5]])

np.fromfunction(lambda i, j: i + j, (3, 6))
array([[0., 1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5., 6.],
[2., 3., 4., 5., 6., 7.]])

# 矩阵乘法
np.dot(A, B)
# 如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算
np.mat(A) * np.mat(B)

A.T

np.linalg.inv(A)

np.exp(a)

np.sqrt(a)

np.power(a, 3)

a = np.array([1, 2, 3, 4, 5])
# 一维数组索引
a[0], a[-1]
# 一维数组切片
a[0:2], a[:-1]

a = np.array([(1, 2, 3), (4, 5, 6), (7, 8, 9)])
# 索引
a[0], a[-1]
######## 切片
# 取第二列
a[:, 1]
#取第 2，3 行
a[1:3, :]

a.shape

a.reshape(2, 3) #指向新对象， reshape 并不改变原始数组
# resize 会改变原始数组
a.resize(2, 3)

a.ravel()

np.vstack((a, b))

np.hstack((a, b))

array([[5, 0, 2],
[4, 2, 4],
[4, 7, 9]])
# 沿横轴分割数组
np.hsplit(a, 3)
[array([[5],
[4],
[4]]), array([[0],
[2],
[7]]), array([[2],
[4],
[9]])]
# 沿纵轴分割数组
np.vsplit(a, 3)
[array([[5, 0, 2]]), array([[4, 2, 4]]), array([[4, 7, 9]])]

# 生成示例数组
a = np.array(([1, 4, 3], [6, 2, 9], [4, 7, 2]))
# #### 返回每列最大值
np.max(a, axis=0)
# #### 返回每行最小值
np.min(a, axis=1)
# #### 返回每列最大值索引
np.argmax(a, axis=0)
# #### 返回每行最小值索引
np.argmin(a, axis=1)

# 继续使用上面的 a 数组
np.median(a, axis=0)
# #### 统计数组各行的算术平均值
np.mean(a, axis=1)
# #### 统计数组各列的加权平均值
np.average(a, axis=0)
# #### 统计数组各行的方差
np.var(a, axis=1)
# #### 统计数组各列的标准偏差
np.std(a, axis=0)

# #### 51. 创建一个 5x5 的二维数组，其中边界值为1，其余值为0
# In[60]:
Z = np.ones((5,5))
Z[1:-1,1:-1] = 0
Z
# #### 52. 使用数字 0 将一个全为 1 的 5x5 二维数组包围
# In[61]:
Z = np.ones((5,5))
Z = np.pad(Z, pad_width=1, mode='constant', constant_values=0)
Z
# #### 53. 创建一个 5x5 的二维数组，并设置值 1, 2, 3, 4 落在其对角线下方
# In[62]:
Z = np.diag(1+np.arange(4),k=-1)
Z
# #### 54. 创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置
# In[63]:
Z = np.zeros((10,10),dtype=int)
Z[1::2,::2] = 1
Z[::2,1::2] = 1
Z
# #### 55. 创建一个 0-10 的一维数组，并将 (1, 9] 之间的数全部反转成负数
# In[64]:
Z = np.arange(11)
Z[(1 < Z) & (Z <= 9)] *= -1
Z
# #### 56. 找出两个一维数组中相同的元
# In[65]:
Z1 = np.random.randint(0,10,10)
Z2 = np.random.randint(0,10,10)
print("Z1:", Z1)
print("Z2:", Z2)
np.intersect1d(Z1,Z2)
# #### 57. 使用 NumPy 打印昨天、今天、明天的日期
# In[66]:
yesterday = np.datetime64('today', 'D') - np.timedelta64(1, 'D')
today = np.datetime64('today', 'D')
tomorrow = np.datetime64('today', 'D') + np.timedelta64(1, 'D')
print("yesterday: ", yesterday)
print("today: ", today)
print("tomorrow: ", tomorrow)
# #### 58. 使用五种不同的方法去提取一个随机数组的整数部分
# In[67]:
Z = np.random.uniform(0,10,10)
print("原始值: ", Z)
print ("方法 1: ", Z - Z%1)
print ("方法 2: ", np.floor(Z))
print ("方法 3: ", np.ceil(Z)-1)
print ("方法 4: ", Z.astype(int))
print ("方法 5: ", np.trunc(Z))
# #### 59. 创建一个 5x5 的矩阵，其中每行的数值范围从 1 到 5
# In[68]:
Z = np.zeros((5,5))
Z += np.arange(1,6)
Z
# #### 60. 创建一个长度为 5 的等间隔一维数组，其值域范围从 0 到 1，但是不包括 0 和 1
# In[69]:
Z = np.linspace(0,1,6,endpoint=False)[1:]
Z
# #### 61. 创建一个长度为10的随机一维数组，并将其按升序排序
# In[70]:
Z = np.random.random(10)
Z.sort()
Z
# #### 62. 创建一个 3x3 的二维数组，并将列按升序排序
# In[71]:
Z = np.array([[7,4,3],[3,1,2],[4,2,6]])
print("原始数组: \n", Z)
Z.sort(axis=0)
Z
# #### 63. 创建一个长度为 5 的一维数组，并将其中最大值替换成 0
# In[72]:
Z = np.random.random(5)
print("原数组: ",Z)
Z[Z.argmax()] = 0
Z
# #### 64. 打印每个 NumPy 标量类型的最小值和最大值
# In[73]:
for dtype in [np.int8, np.int32, np.int64]:
print("The minimum value of {}: ".format(dtype), np.iinfo(dtype).min)
print("The maximum value of {}: ".format(dtype),np.iinfo(dtype).max)
for dtype in [np.float32, np.float64]:
print("The minimum value of {}: ".format(dtype),np.finfo(dtype).min)
print("The maximum value of {}: ".format(dtype),np.finfo(dtype).max)
# #### 65. 将 `float32` 转换为整型
# In[74]:
Z = np.arange(10, dtype=np.float32)
print(Z)
Z = Z.astype(np.int32, copy=False)
Z
# #### 66. 将随机二维数组按照第 3 列从上到下进行升序排列
# In[75]:
Z = np.random.randint(0,10,(5,5))
print("排序前：\n",Z)
Z[Z[:,2].argsort()]
# #### 67. 从随机一维数组中找出距离给定数值（0.5）最近的数
# In[76]:
Z = np.random.uniform(0,1,20)
print("随机数组: \n", Z)
z = 0.5
m = Z.flat[np.abs(Z - z).argmin()]
m
# #### 68. 将二维数组的前两行进行顺序交换
# In[77]:
A = np.arange(25).reshape(5,5)
print(A)
A[[0,1]] = A[[1,0]]
print(A)
# #### 69. 找出随机一维数组中出现频率最高的值
# In[78]:
Z = np.random.randint(0,10,50)
print("随机一维数组:", Z)
np.bincount(Z).argmax()
# #### 70. 找出给定一维数组中非 0 元素的位置索引
# In[79]:
Z = np.nonzero([1,0,2,0,1,0,4,0])
Z
# #### 71. 对于给定的 5x5 二维数组，在其内部随机放置 p 个值为 1 的数
# In[80]:
p = 3
Z = np.zeros((5,5))
np.put(Z, np.random.choice(range(5*5), p, replace=False),1)

Z
# #### 72. 对于随机的 3x3 二维数组，减去数组每一行的平均值

# In[81]:
X = np.random.rand(3, 3)
print(X)
Y = X - X.mean(axis=1, keepdims=True)
Y
# #### 73. 获得二维数组点积结果的对角线数组
# In[82]:
A = np.random.uniform(0,1,(3,3))
B = np.random.uniform(0,1,(3,3))
print(np.dot(A, B))
# 较慢的方法
np.diag(np.dot(A, B))
# In[83]:
# 较快的方法
np.sum(A * B.T, axis=1)
# In[84]:
# 更快的方法
np.einsum("ij, ji->i", A, B)
# #### 74. 找到随机一维数组中前 p 个最大值
# In[85]:
Z = np.random.randint(1,100,100)
print(Z)
p = 5
Z[np.argsort(Z)[-p:]]
# #### 75. 计算随机一维数组中每个元素的 4 次方数值
# In[86]:
x = np.random.randint(2,5,5)
print(x)
np.power(x,4)
# #### 76. 对于二维随机数组中各元素，保留其 2 位小数
# In[87]:
Z = np.random.random((5,5))
print(Z)
np.set_printoptions(precision=2)
Z
# #### 77. 使用科学记数法输出 NumPy 数组
# In[88]:
Z = np.random.random([5,5])
print(Z)
Z/1e3
# #### 78. 使用 NumPy 找出百分位数（25%，50%，75%）
# In[89]:
a = np.arange(15)
print(a)
np.percentile(a, q=[25, 50, 75])
# #### 79. 找出数组中缺失值的总数及所在位
# In[90]:
# 生成含缺失值的 2 维数组
Z = np.random.rand(10,10)
Z[np.random.randint(10, size=5), np.random.randint(10, size=5)] = np.nan
Z
# In[91]:
print("缺失值总数: \n", np.isnan(Z).sum())
print("缺失值索引: \n", np.where(np.isnan(Z)))
# #### 80. 从随机数组中删除包含缺失值的行
# In[92]:
# 沿用 79 题中的含缺失值的 2 维数组
Z[np.sum(np.isnan(Z), axis=1) == 0]
# #### 81. 统计随机数组中的各元素的数量
# In[93]:
Z = np.random.randint(0,100,25).reshape(5,5)
print(Z)
np.unique(Z, return_counts=True) # 返回值中，第 2 个数组对应第 1 个数组元素的数量
# #### 82. 将数组中各元素按指定分类转换为文本值
# In[94]:
# 指定类别如下
# 1 → 汽车
# 2 → 公交车
# 3 → 火车
Z = np.random.randint(1,4,10)
print(Z)
label_map = {1: "汽车", 2: "公交车", 3: "火车"}
[label_map[x] for x in Z]
# #### 83. 将多个 1 维数组拼合为单个 Ndarray
# In[95]:
Z1 = np.arange(3)
Z2 = np.arange(3,7)
Z3 = np.arange(7,10)
Z = np.array([Z1, Z2, Z3])
print(Z)
np.concatenate(Z)
# #### 84. 打印各元素在数组中升序排列的索引
# In[96]:
a = np.random.randint(100, size=10)
print('Array: ', a)
a.argsort()
# #### 85. 得到二维随机数组各行的最大值
# In[97]:
Z = np.random.randint(1,100, [5,5])
print(Z)
np.amax(Z, axis=1)
# #### 86. 得到二维随机数组各行的最小值（区别上面的方法）

# In[98]:
Z = np.random.randint(1,100, [5,5])
print(Z)
np.apply_along_axis(np.min, arr=Z, axis=1)
# #### 87. 计算两个数组之间的欧氏距离

# In[99]:
a = np.array([1, 2])
b = np.array([7, 8])
# 数学计算方法
print(np.sqrt(np.power((8-2), 2) + np.power((7-1), 2)))
# NumPy 计算
np.linalg.norm(b-a)
# #### 88. 打印复数的实部和虚部
# In[100]:
a = np.array([1 + 2j, 3 + 4j, 5 + 6j])
print("实部：", a.real)
print("虚部：", a.imag)
# #### 89. 求解给出矩阵的逆矩阵并验证
# In[101]:
matrix = np.array([[1., 2.], [3., 4.]])
inverse_matrix = np.linalg.inv(matrix)
# 验证原矩阵和逆矩阵的点积是否为单位矩阵
assert np.allclose(np.dot(matrix, inverse_matrix), np.eye(2))
inverse_matrix
# #### 90. 使用 Z-Score 标准化算法对数据进行标准化处理
# Z-Score 标准化公式：
# $$Z = \frac{X-\mathrm{mean}(X)}{\mathrm{sd}(X)}$$
# In[102]:
# 根据公式定义函数
def zscore(x, axis = None):
xmean = x.mean(axis=axis, keepdims=True)
xstd = np.std(x, axis=axis, keepdims=True)
zscore = (x-xmean)/xstd
return zscore
# 生成随机数据
Z = np.random.randint(10, size=(5,5))
print(Z)
zscore(Z)
# #### 91. 使用 Min-Max 标准化算法对数据进行标准化处理
# Min-Max 标准化公式：
# $$Y = \frac{Z-\min(Z)}{\max(Z)-\min(Z)}$$
# In[103]:
# 根据公式定义函数
def min_max(x, axis=None):
min = x.min(axis=axis, keepdims=True)
max = x.max(axis=axis, keepdims=True)
result = (x-min)/(max-min)
return result
# 生成随机数据
Z = np.random.randint(10, size=(5,5))
print(Z)
min_max(Z)
# #### 92. 使用 L2 范数对数据进行标准化处理
# L2 范数计算公式：
# $$L_2 = \sqrt{x_1^2 + x_2^2 + \ldots + x_i^2}$$
# In[104]:
# 根据公式定义函数
def l2_normalize(v, axis=-1, order=2):
l2 = np.linalg.norm(v, ord = order, axis=axis, keepdims=True)
l2[l2==0] = 1
return v/l2

# 生成随机数据
Z = np.random.randint(10, size=(5,5))
print(Z)

l2_normalize(Z)
# #### 93. 使用 NumPy 计算变量直接的相关性系数
# In[105]:
Z = np.array([
[1, 2, 1, 9, 10, 3, 2, 6, 7], # 特征 A
[2, 1, 8, 3, 7, 5, 10, 7, 2], # 特征 B
[2, 1, 1, 8, 9, 4, 3, 5, 7]]) # 特征 C
np.corrcoef(Z)
# 相关性系数取值从 `[-1, 1]` 变换，靠近 1 则代表正相关性较强，-1 则代表负相关性较强。结果如下所示，变量 A 与变量 A 直接的相关性系数为 `1`，因为是同一个变量。变量 A 与变量 C 之间的相关性系数为 `0.97`，说明相关性较强。
# ```
# [A] [B] [C]
# array([[ 1. , -0.06, 0.97] [A]
# [-0.06, 1. , -0.01], [B]
# [ 0.97, -0.01, 1. ]]) [C]
# ```
# #### 94. 使用 NumPy 计算矩阵的特征值和特征向量
# In[106]:
M = np.matrix([[1,2,3], [4,5,6], [7,8,9]])
w, v = np.linalg.eig(M)
# w 对应特征值，v 对应特征向量
w, v
# 我们可以通过 `P'AP=M` 公式反算，验证是否能得到原矩阵。
# In[107]:
v * np.diag(w) * np.linalg.inv(v)
# #### 95. 使用 NumPy 计算 Ndarray 两相邻元素差值
# In[108]:
Z = np.random.randint(1,10,10)
print(Z)
# 计算 Z 两相邻元素差值
print(np.diff(Z, n=1))
# 重复计算 2 次
print(np.diff(Z, n=2))
# 重复计算 3 次
print(np.diff(Z, n=3))
# #### 96. 使用 NumPy 将 Ndarray 相邻元素依次累加
# In[109]:
Z = np.random.randint(1,10,10)
print(Z)
"""
[第一个元素, 第一个元素 + 第二个元素, 第一个元素 + 第二个元素 + 第三个元素, ...]
"""
np.cumsum(Z)
# #### 97. 使用 NumPy 按列连接两个数组
# In[110]:
M1 = np.array([1, 2, 3])
M2 = np.array([4, 5, 6])
np.c_[M1, M2]
# #### 98. 使用 NumPy 按行连接两个数组
# In[111]:
M1 = np.array([1, 2, 3])
M2 = np.array([4, 5, 6])
np.r_[M1, M2]
# #### 99. 使用 NumPy 打印九九乘法表
# In[112]:
np.fromfunction(lambda i, j: (i + 1) * (j + 1), (9, 9))
# #### 100. 使用 NumPy 将实验楼 LOGO 转换为 Ndarray 数组
# In[113]:
from io import BytesIO
from PIL import Image
import PIL, requests
# 通过链接下载图像
URL = '/file/upload/202211/11/0vahm5qsaxn.jpg'
response = requests.get(URL)
# 将内容读取为图像
I = Image.open(BytesIO(response.content))
# 将图像转换为 Ndarray
shiyanlou = np.asarray(I)
shiyanlou
# In[114]:
# 将转换后的 Ndarray 重新绘制成图像
from matplotlib import pyplot as plt
get_ipython().run_line_magic('matplotlib', 'inline')
plt.imshow(shiyanlou)
plt.show()