[TOC]
说明：本文是numpy入门的第二篇笔记。
numpy的智能切片
numpy提供了比原始python强大的多的切片功能。
1. 利用array来切片
import numpy as np
a = np.arange(12)**2
i = np.array([1,1,3,8,5])
a[i] # 切出a数组中位置为1,1,3,8,5处的元素。没有形成新对象！！！都是按照第0维来切。
array([ 1, 1, 9, 64, 25], dtype=int32)
a.resize(6,2)
a
array([[ 0, 1],
[ 4, 9],
[ 16, 25],
[ 36, 49],
[ 64, 81],
[100, 121]], dtype=int32)
i = np.array([1,1,2,4,3,2])
a[i] # 果然是按照第零维切出的！！！
array([[ 4, 9],
[ 4, 9],
[16, 25],
[64, 81],
[36, 49],
[16, 25]], dtype=int32)
j = np.array([[1,2],[3,4]])
a[j] # 看，还是按照第零维切出，只不过按照j的形状重组了。
array([[[ 4, 9],
[16, 25]],
[[36, 49],
[64, 81]]], dtype=int32)
# 同样的，可以使用双下标来索引多维数组，要求双下标的形状是一样的
a = np.arange(12).reshape(3,4)
a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
i = np.array([[0,1],[1,2]])
j = np.array([[2,1],[3,3]])
a[i,j]
array([[ 2, 5],
[ 7, 11]])
a[i,2]
array([[ 2, 6],
[ 6, 10]])
a[:,j]
array([[[ 2, 1],
[ 3, 3]],
[[ 6, 5],
[ 7, 7]],
[[10, 9],
[11, 11]]])
# 同样，可以将组合的数组添加新的标签，然后索引。
ll = [i,j]
a[ll]
array([[ 2, 5],
[ 7, 11]])
# 同样，可以利用array作为数组的指标。进行索引、复制。
a = np.arange(5)
a[[0,0,2]]+=1
a
array([1, 1, 3, 3, 4])
2. bool值作为指标
a = np.arange(12).reshape(3,4)
b = a > 4
b
array([[False, False, False, False],
[False, True, True, True],
[ True, True, True, True]])
a[b]# 选出大于4的值
array([ 5, 6, 7, 8, 9, 10, 11])
a[b] = 0 # 将大于4的值置为0
a
array([[0, 1, 2, 3],
[4, 0, 0, 0],
[0, 0, 0, 0]])
简单实例——Mandelbrot set生成
import numpy as np
import matplotlib.pyplot as plt
def mandelbrot(h, w, maxit = 20):
"""Return an image of the Madelbrot fractal of size(h,w)."""
y,x = np.ogrid[-1.4:1.4:h*1j,-2:0.8:w*1j]
c = x+y*1j
z= c
divtime =maxit + np.zeros(z.shape, dtype=int)
for i in range(maxit):
z = z**2 + c
diverge = z*np.conj(z) > 2**2
div_now = diverge & (divtime==maxit)
divtime[div_now] = i
z[diverge] = 2
return divtime
plt.imshow(mandelbrot(400,400))
plt.show()
output_17_0.png
numpy做代数运算
a = np.array([[1.0,2.0],[3,4]])
a
array([[1., 2.],
[3., 4.]])
a.transpose()#转置
array([[1., 3.],
[2., 4.]])
b = np.linalg.inv(a) # 生成逆矩阵
b
array([[-2. , 1. ],
[ 1.5, -0.5]])
u = np.eye(2) #生成单位阵
u
array([[1., 0.],
[0., 1.]])
c = np.dot(a,b) #矩阵乘法 c=a.dot(b)
c
array([[1.0000000e+00, 0.0000000e+00],
[8.8817842e-16, 1.0000000e+00]])
np.trace(a) #矩阵的迹
5.0
y = np.array([[5.],[7.]])
x = np.linalg.solve(a,y) #求解线性方程组
x
array([[-3.],
[ 4.]])
np.linalg.eig(a)# 特征值
(array([-0.37228132, 5.37228132]), array([[-0.82456484, -0.41597356],
[ 0.56576746, -0.90937671]]))
