NumPy 学习笔记

from 《利用Python进行数据分析》

numpy导包语句:

1
import numpy as np

ndarray

两个重要的attribute:
dtype:表示数组容纳的数据类型；
shape:元组，指示着数组的形状

ndarray的生成

生成方法：

总的来说可以按照接受参数分为四类：
构造型：
np.array()：接受参数为元组、列表或者其他参数；
“按需供给型”：
接受参数为shape和dtype，具体代表有：
np.ones()、np.zeros();
“like”型:
接受一个ndarray实例并按要求生成一个形似其的ndarray实例，具体代表有：
np.oneslike()、np.zeros_like；
特征矩阵型：
生成指定大小（N x N）的特征矩阵。
np.eye()、np.inentity().

ndarray数据类型

重要方法：np.astype()接受参数为一个dtype，功能为强制转换数组数据类型。

NumPy数组算数

NumPy所支持的数组算数是定义在两个尺寸相同d的ndarray之间的。

1
2
3
4
5
6
# 设arr, arr1为两个尺寸相同的ndarray的引用,NumPy支持以下写法：
a = arr*arr
b = arr - arr
c = 1 / arr
d = arr ** 0.5 // 次幂
e = arr > arr1 // e为一个布尔值数组

基础索引与切片

一个值得注意的事实是，ndarray的切片是这个数组的一个视图，也就是说，当对切片进行操作时，这个操作会映射到原数组上；

如果希望得到切片的一个副本，那么需要调用：np.copy()方法，这个方法返回一个ndarray的副本。

具体索引/切片形式和python内建数据结构相似，形如x:y这样的形式包含在中括号中。

对于多维数组（以三维数组arr3d为例），其索引形式为：arr3d[甲,乙,丙]，从左至右依次选定中括号层次由外向内的系列对象。

布尔索引

fact1 :

1
2
3
4
names = np.array(['a', 'b', 'b'])
# 若运行：
boolean = (names == 'b')
# 会返回: array([False, True, True], dtype=bool)

fact2 :
索引数组可以传入布尔数组作为某个轴的索引参数。

魔术索引(magic index)

数组转置和转轴

通用函数

这个查书就好

使用数组进行面向数组编程

1
2
3
points = np.arange(-5, 5, 0.01)
xs, ys = np.meshgrid(points, points) # meshgrid方法需要后期留意一下
z = np.sqrt(xs**2 + ys**2)

np.where(cond, xarr, yarr)方法可以被看做python三元表达式的向量化版本，其功能为：若cond中数组相应位置元素满足cond表达式，则用xarr对应元素替换，否则用yarr对应元素替换。

后续不再摘录书中方法，有必要去查numpy官方API文档即可。