python 模块学习--Numpy

Numpy是Python的一个科学计算库，提供了矩阵运算的功能。安装方法可以直接使用pip install numpy命令，也可以在http://sourceforge.net/projects/numpy/files/NumPy/上下载与python相应版本的exe文件。

这里就记录下在学习和使用Numpy中所用过的一些函数方法，随时进行补充。

numpy的官方文档：http://docs.scipy.org/doc/numpy/reference/

1.导入Numpy

导入方法如下：

2.多维数组

使用numpy.arange



这是生成一维数组，如果是要生成多维数组，则再使用reshape函数,如下图：



这里就生成了一个5*2的数组

使用numpy.array

可以使用list列表或者tuple元组作为参数生成一维或多维数组



另外，还可以指定数据类型，如numpy.int32,numpy.int16,numpy.float64等等。



使用numpy.zeros,numpy.ones,numpy.eye函数可以生成特定的矩阵



使用mat函数可以将数组转化为矩阵



数组的属性



如上图所示，

ndim：表示数组的维度

shape：表示数组的行数和列数

size：表示数组的元素个数

dtype：表示数组的数据类型

itemsize：表示每个元素所占的字节数

tile函数可以用于扩充数组元素

tile（A，repl）可以用于扩充数组的元素，A表示需要扩充的矩阵或数组，而repl参数如果是一个数，表示对A中元素的重复次数，如果repl = （x,y)，则y表示对A中元素重复的次数，而x是对进行y次重复得到的数组所要扩充的次数，下图是官方的例子

3.numpy的argsort函数用法

通过help函数获取argsort函数的介绍，从介绍可以得知其返回的是数组值从小到大排序的索引值



这里也参考[numpy中argsort函数用法]这篇文章的介绍。

(http://www.aichengxu.com/view/15541)

以下分别是一维数组和二维数组的使用例子：



另外，对于二维数组还可以设置axis参数，当axis= 0 表示按列排序，而axis=1表示按行排序。



另外说到排序，还有两个常用的函数sort和sorted，详细内容请看：http://maoersong.blog.163.com/blog/static/171557351201424105925681/?newFollowBlog

4.对多维数组的索引

对多维数组的索引有以下几种方法：

（1）切割索引

import numpy as np

# Slicing indexing
# Create the following rank 2 array with shape (3,4)
# [[1  2  3  4]
#  [5  6  7  8]
#  [9  10 11 12]]
a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

# Use slicing to pull out the subarray consisting of the first 2 rows
# and columns 1 and 2; b is the following array of shape (2,2):
# [[2 3]
#  [6 7]]
b = a[:2, 1:3]

# A slice of an array is a view into the same data, so modifying it
# will modify the original array
print a[0,1]  # Prints "2"
b[0, 0] = 55  # b[0, 0] is the same piece of data as a[0, 1]
print a[0, 1] # Prints "55"

（2）整数索引

# Integer array indexing
# The returned array will have shape(3,)
print a[[0, 1 , 2], [2, 3, 2]]   # Prints "[ 3 8 11]"

# The above example of integer array indexing is equivalent to this:
print np.array([a[0, 2], a[1, 3], a[2, 2]]) # Prints "[ 3 8 11]"

# When using integer array indexing, you can reuse the same
# element from the source array:
print a[[0, 0], [1, 1]]     # Prints "[2 2]"

# Equivalent to the previous integer array indexing example
print np.array([a[0, 1], a[0,1]])  # Prints "[2 2]"

（3）布尔值索引

# Boolean array indexing
bool_idx = (a > 3)  # Find the elements of a that are bigger than 3;
# this returns a numpy array of Boolean of the same
# shape as a, where each slot of bool_idx tells
# whether that element of a is > 2
print bool_idx      # Prints "[[False False False True]"
#          [ True  True  True True]
#          [ True  True  True True]]

# We use boolean array indexing to construct a rank 1 array
# consisiting of the elements of a corresponding to the True values
# of bool_idx
print a[bool_idx]   # Prints "[ 4 5 6 7 8 9 10 11 12]"

# We can do all of the above in a single concise statement:
print a[a > 3]      # Prints "[ 4 5 6 7 8 9 10 11 12]"