NumPy基础扫盲

520这天，作为一个单身程序狗，只能在学校敲敲代码。很早以前就听闻NumPy的强大。今天正好借此机会学习了一波，总结了这份快餐教程。

数组对象 ndarray
#

array()创建多维数组
#

>>> arr = array([[1,2,3],[4,5,6],[7,8,9]])
>>> print arr
[[1 2 3]
 [4 5 6]
 [7 8 9]]

arange()用于创建等差数组
#

arange(start,end,step)

>>> arr = arange(0,10,2)
>>> print arr
[0 2 4 6 8]

数组维度
#

# 2×3 矩阵
>>> arr = array([arange(3),arange(3)])
>>> arr.shape
(2, 3)
# 维的个数
>>> arr.ndim
2

数据类型
#

NumPy支持的数据类型有整型，浮点型和复数型，同时支持不同的精度。

查看数据类型
#

>>> arr = array([1+2j,3+4j,5+6j]) #arr.real 实部 arr.imag 虚部
>>> arr.dtype
dtype('complex128')
#类型所占字节数
>>> arr.dtype.itemsize
16

指定数据类型
#

>>> arange(5,dtype=float32)
array([ 0.,  1.,  2.,  3.,  4.], dtype=float32)

创建自定义数据类型
#

>>> t = dtype([('name',str,32),('grade',int)])
>>> student = array([('weiss',90),('ruby',89)],dtype=t)
>>> print student
[('weiss', 90) ('ruby', 89)]
>>> student.shape
(2,)

转换元素的类型
#

>>> arr = arange(4)
>>> arr.astype(float64)
array([ 0.,  1.,  2.,  3.])

一次性取出多个元素
#

>>> arr = arange(10,20,2)
>>> take(arr,(1,3))
array([12, 16])

多维数组的切片
#

和python列表相似

# reshape() 改变数组维度  ravel()将数组展开成一维
>>> arr = arange(24).reshape(2,3,4)
>>> print arr
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
>>> arr[0,0,0]
0
>>> arr[0,:,:]
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> arr[0,...]
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> arr[::-1,...]
array([[[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]],

       [[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]]])
>>> arr[0,::-1,-1]
array([11,  7,  3])

矩阵转置
#

>>> arr = array([[1,2],[3,4]])
>>> arr.transpose()
array([[1, 3],
       [2, 4]])

数组合并
#

#水平组合
>>> a = arange(9).reshape(3,3)
>>> b = a * 2
>>> hstack((a,b))
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

#垂直组合
>>> vstack((a,b))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

# 也可以通过concatenate函数来进行组合
# NumPy中维度(dimensions)叫做轴(axis)，轴的个数叫做秩(rank)
>>> concatenate((a,b),axis=0)
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

# 深度组合
>>> dstack((a,b))
array([[[ 0,  0],
        [ 1,  2],
        [ 2,  4]],

       [[ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

数组分割
#

>>> a = arange(9).reshape(3,3)
>>> print a
[[0 1 2]
 [3 4 5]
 [6 7 8]]

# 水平分割
>>> hsplit(a,3)
[array([[0],
       [3],
       [6]]), array([[1],
       [4],
       [7]]), array([[2],
       [5],
       [8]])]

# 垂直分割
>>> vsplit(a,3)
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

# 通过split 指定轴进行分割
>>> split(a,3,axis=1)
[array([[0],
       [3],
       [6]]), array([[1],
       [4],
       [7]]), array([[2],
       [5],
       [8]])]

# 深度分割
# 必须三个维度以上的数组，
>>> a = arange(24).reshape(2,3,4)
>>> dsplit(a,2)
[array([[[ 0,  1],
        [ 4,  5],
        [ 8,  9]],

       [[12, 13],
        [16, 17],
        [20, 21]]]), array([[[ 2,  3],
        [ 6,  7],
        [10, 11]],

       [[14, 15],
        [18, 19],
        [22, 23]]])]

flat属性
#

flat属性将返回一个flatiter对象，可以让我们像遍历一维数组一样遍历多维数组

>>> a = arange(24).reshape(2,3,4)
>>> print a.flat[10]
10
# 获取多个元素
>>> a.flat[[1,2,3,4]]
array([1, 2, 3, 4])

# 对flat属性赋值将导致整个数组的元素都被覆盖
>>> a.flat = 6
>>> print a
[[[6 6 6 6]
  [6 6 6 6]
  [6 6 6 6]]

 [[6 6 6 6]
  [6 6 6 6]
  [6 6 6 6]]]

# 指定元素进行覆盖
>>> a.flat[[2,4,6,8,10]] = 1
>>> a
array([[[6, 6, 1, 6],
        [1, 6, 1, 6],
        [1, 6, 1, 6]],

       [[6, 6, 6, 6],
        [6, 6, 6, 6],
        [6, 6, 6, 6]]])

数组转换列表
#

>>> arr = arange(4).reshape(2,2)
>>> arr.tolist()
[[0, 1], [2, 3]]

创建单位矩阵
#

>>> a = eye(2)
>>> a
array([[ 1.,  0.],
       [ 0.,  1.]])
# dtype float64
>>> a.dtype
dtype('float64')

创建全零数组
#

>>> arr = zeros(4).reshape(2,2)
>>> arr
array([[ 0.,  0.],
       [ 0.,  0.]])

保存数组
#

>>> arr = arange(27).reshape(3,3,3)
# 生成 .npy 文件
>>> save('matrix',arr)
>>> brr = load('matrix')
>>> brr = load('matrix.npy')

文件读写
#

写入
#

>>> a = eye(2)
>>> savetxt('eye.txt',a)

读取csv文件
#

#data.csv
id,file,description,date,author,platform,type,port
1,platforms/windows/remote/1.c,"Microsoft Windows WebDAV - (ntdll.dll) Remote Exploit",2003-03-23,kralor,windows,remote,80
2,platforms/windows/remote/2.c,"Microsoft Windows WebDAV - Remote PoC Exploit",2003-03-24,RoMaNSoFt,windows,remote,80

>>> f = file('data.csv')
# 第一行不是数据，所以需要先打开数据文件，读取完第一行之后，再把文件对象传递给loadtxt()
>>> f.readline()
'id,file,description,date,author,platform,type,port\n'
# delimiter指定文件分隔符，usecols指定返回的数据列，unpack指定是否将不同的列分开返回，dtype数据结构
>>> id,author,platform = loadtxt(f,delimiter=',',usecols=(0,4,5),unpack=True,dtype=dtype([('id',int),('author',str,32),('platform',str,32)]))
>>> print author
['kralor' 'RoMaNSoFt']

常用函数
#

如果使用ipython，可以使用函数名? 的方式查看详细用法如 average?

average() # 加权平均数，也可求算术平均数
mean() # 算术平均数
max() # 最大值
min()
sum()
ptp() # 极差
median() # 中位数
var() # 方差
std() # 标准差
diff() # 返回相邻元素差值构成的数组
where() # 返回满足条件的数组元素索引 where(arr>0)

数组对象 ndarray#

array()创建多维数组#

arange()用于创建等差数组#

数组维度#

数据类型#

查看数据类型#

指定数据类型#

创建自定义数据类型#

转换元素的类型#

一次性取出多个元素#

多维数组的切片#

矩阵转置#

数组合并#

数组分割#

flat属性#

数组转换列表#

创建单位矩阵#

创建全零数组#

保存数组#

文件读写#

写入#

读取csv文件#

常用函数#