# 来源:NumPy Essentials ch3
import numpy as np
# NumPy 数组的运算是向量化的
# 数组和标量运算是每个元素和标量运算
x = np.array([1, 2, 3, 4])
x + 1
# array([2, 3, 4, 5])
# 数组和数组运算是逐元素运算
y = np.array([-1, 2, 3, 0])
x * y
array([-1, 4, 9, 0])
# 需要计算内积的时候
# 使用np.dot
np.dot(x, y)
# 12
# 所有逻辑运算符也是向量化的
x == y
# array([False, True, True, False], dtype=bool)
# NumPy 使用 C 语言编译出来的代码来处理数据
# 所以很快
x = np.arange(10000)
'''
%timeit x + 1
100000 loops, best of 3: 12.6 µs per loop
'''
y = range(10000)
'''
%timeit [i + 1 for i in y]
1000 loops, best of 3: 458 µs per loop
'''
x = np.arange(1,9)
x.dtype
# dtype('int32')
# 整数和浮点的 div 运算生成浮点
x = x / 10.0
x
# array([ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8])
x.dtype
# dtype('float64')
# 整数和浮点的 idiv 运算
# 1.10 版之前生成整数
# 之后会报错
y = np.arange(1,9)
y /= 10.0
y
# array([0, 0, 0, 0, 0, 0, 0, 0])
y.dtype
# dtype('int32')
# 通用函数在数组的每个元素上调用
# 也可以处理标量
x = np.arange(5,10)
np.square(x)
# array([25, 36, 49, 64, 81])
# 也有二元的通用函数
y = np.ones(5) * 10
np.mod(y, x)
# array([ 0., 4., 3., 2., 1.])
# 一些函数名称类似
# 但是效果不一样
# np.minimum 逐元素计算较小值
# 属于通用函数
# np.fmin 与之相同
np.minimum(x, 7)
# array([5, 6, 7, 7, 7])
# np.min 计算整个数组的最小值
# 属于聚集函数
np.min(x)
# 5
z = np.repeat(x, 3).reshape(5, 3)
z
'''
array([[5, 5, 5],
[6, 6, 6],
[7, 7, 7],
[8, 8, 8],
[9, 9, 9]])
'''
# 聚集函数一般会有 axis 参数
# 指定沿着哪个轴
# 如果不写,则是全数组聚集
np.median(z)
# 7.0
# 轴 0 是沿 arr[0], arr[1] 方向的轴
# 对于二维数据来说,就是列方向
np.median(z, axis = 0)
# array([ 7., 7., 7.])
# 轴 1 是沿 arr[0][0], arr[0][1] 方向的轴
# 对于二维数据来说,就是行方向
np.median(z, axis = 1)
# array([ 5., 6., 7., 8., 9.])
# accumulate 计算累计
# accum[i] = arr[0] op ... op arr[i]
np.add.accumulate(x)
array([ 5, 11, 18, 26, 35])
# outer 计算外积
# 返回矩阵,每个元素是 a[i] op b[j]
np.multiply.outer(x, x)
'''
array([[25, 30, 35, 40, 45],
[30, 36, 42, 48, 54],
[35, 42, 49, 56, 63],
[40, 48, 56, 64, 72],
[45, 54, 63, 72, 81]])
'''
# 最简单的就是通过 shape 属性调整形状
# 形状乘起来要等于元素个数
# -1 表示由 NumPy 来计算,这里计算结果是 4
x = np.arange(24)
x.shape = 2, 3, -1
x
'''
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
'''
# 也可以使用 reshape 生成指定形状的视图
# 或者 resize 生成指定形状的副本
# 而不会改动 x
y = x.reshape((2, 3, -1))
# flatten 创造展开后的副本
# ravel 创造展开后的视图
x = np.arange(1000000)
x.shape = 100, 100, 100
'''
%timeit x.flatten()
1000 loops, best of 3: 1.14 ms per loop
%timeit x.ravel()
1000000 loops, best of 3: 330 ns per loop
'''
x = np.arange (0, 10, 2)
y = np.arange (0, -5, -1)
# vstack 是竖直堆叠,也就是沿倒数第二个轴堆叠
# 一维数组只有一个轴,所以会新增一个维度
# 结果会创建一维数组的数组
np.vstack([x, y])
'''
array([[ 0, 2, 4, 6, 8],
[ 0, -1, -2, -3, -4]])
'''
# hstack 是数值堆叠,也就是沿倒数第一个轴堆叠
# 对于一维数组是首尾拼接
np.hstack([x, y])
# array([ 0, 2, 4, 6, 8, 0, -1, -2, -3, -4])
# dstack 是纵深堆叠
# 所以结果是三维数组
np.dstack([x, y])
'''
array([[[ 0, 0],
[ 2, -1],
[ 4, -2],
[ 6, -3],
[ 8, -4]]])
'''
# 布尔数组可通过数组的逻辑运算来获取
x = np.array([1,3,-1, 5, 7, -1])
mask = (x < 0)
mask
# array([False, False, True, False, False, True], dtype=bool)
# NumPy 可接受布尔数组作为索引
# 布尔数组的形状需要与原数组一致
# True 元素表示取该值,False 表示不取
# 结果是一维数组
x [mask] = 0
x
# array([1, 3, 0, 5, 7, 0])
# 布尔数组可以使用 sum 方法来统计 True 的个数
# 原理是调用 sum 时会将 False 转换成 0
# True 转换成 1
x = np.random.random(50)
(x > .5).sum()
# 20
# lookfor 用于搜索包含指定单词的函数
np.lookfor('resize')
'''
Search results for 'resize'
---------------------------
numpy.ma.resize
Return a new masked array with the specified size and shape.
numpy.chararray.resize
Change shape and size of array in-place.
numpy.oldnumeric.ma.resize
The original array's total size can be any size.
numpy.resize
Return a new array with the specified shape.
'''
# 每个函数或方法的文档字符串中
# 都包含它的 API 文档
print np.arange.__doc__
'''
arange([start,] stop[, step,], dtype=None)
Return evenly spaced values within a given interval.
Values are generated within the half-open interval ``[start, stop)``
(in other words, the interval including `start` but excluding `stop`).
For integer arguments the function is equivalent to the Python built-in
`range <http://docs.python.org/lib/built-in-funcs.html>`_ function,
but returns an ndarray rather than a list.
...
'''