比较操作
- 按照元素比较：
a = np.array([1,3,2]) #与a = np.mat([1,3,2])结果一样
b = np.array([2,6,0]) #与b = np.mat([2,6,0])结果一样
print(a>b)
——[[False False True]]
print(a==b)
——[[False False False]]
print(a<b)
——[[True True False]]
- Any：判断数组内元素是否存在True
- All：判断数组内元素是否都为True
a = np.array([True,False,True])
print(any(a))
——True
print(all(a))
——False
- logical_and，logical_or，logical_not：对数组的每个元素执行与或非
a = np.array([1,3,2]) #与a = np.mat([1,3,2])结果一样
b = np.array([2,6,0]) #与b = np.mat([2,6,0])结果一样
print(np.logical_and(a > 0, b < 3))
print(np.logical_or(a > 0, b < 3))
print(np.logical_not(a > 0, b < 3))
——[[True False True]]
[[True True True]]
[[False False False]]
或：c = np.array([False,True,False]) #与a = np.mat([1,3,2])结果一样
d = np.array([False,True,True]) #与b = np.mat([2,6,0])结果一样
print(np.logical_and(c,d))
print(np.logical_or(c,d))
print(np.logical_not(c,d))
——[[False True False]]
[[False True True]]
[[True False True]]
- where：类似于C的a>b?a:b
# 如果a!=2则a*2否则1/a
a = np.array([1,3,2])
print(np.where(a!=1,1/a,a*2))
——[2. 0.333333333 0.5 ]
- isnan，isfinite判断是否为NaN和Inf：
a = np.array([1,np.NaN,np.Inf])
print(np.isnan(a))
print(np.isfinite(a))
——[False True False]
[ True False False]
- nonzero：返回非零元素的索引
a = np.array([0,3,2,0,2,4,0,1,0,2,0])
print(a.nonzero())
——(array([1,2,4,5,7,9]),)
使用比较操作进行访问
- 比较符访问元素：bool类型进行数组的访问
Data = np.array([1,2,3])
print(Data[Data>1])
——[2 3]
print(Data[np.logical_and(Data>1,Data<3)])
——[2]
更为复杂的数学运算：
NumPy内部支持线性代数，逻辑，随机数，多项式，傅里叶等多种更为复杂的数学运算
- 线性代数：所有有关线性代数的运算均在np.linalg中
- dot矩阵乘法：两个一维数组计算点乘，两个多维数组计算差乘
- diag：返回矩阵对角线元素
- trace：对角线元素和
- det：行列式
- eig：特征值、特征向量
- inv：逆
- qr：QR分解
- svd：奇异值分解
- solve：解线性方程Ax=b
- Istsp：计算Ax=b的最小二乘解
a = np.array([[4,2,1],[5,3,7],[4,12,1]]) #与a = np.mat([1,3,2])结果一样
vals,vecs=np.linalg.eig(a)
print(vals)
——[12.77471879 2.48129495 -7.25601373]
print(vecs)
——[0.2296414 0.78053395 0.02907888]
[0.64158394 -0.32601736 -0.57313025]
[0.7318708 -0.5336613 0.81894819]
随机数：所有有关线性代数的运算均在np.random中
- rand：均匀分布在样本值
- randint：给定上下限的随机整数
- randn：标准正态分布
- binomial：二项分布
- normal：正态分布
- chisquare：卡方分布
- Gamma：Gamma分布
- uniform：[0,1]之间的均匀分布
- poisson：泊松分布
- shuffle：洗牌
print(np.random.normal(1.2,4.0))
—— -6.53375293339791 #不唯一
print(np.random.normal(size=2))
—— [-0.1050885 -0.48974483] #不唯一
print(np.random.normal(size=2))
—— 2 #不唯一
多项式
- poly：给定一组根，寻找多项式系数
- roots：给定一组系数，寻找根
- polyint：求积分
- polyder：求导数
- polyval：求函数在某一点的值
- polyfit：使用最小二乘法做曲线拟合
- polyadd，polysub，polymul和polydiv函数处理多项式系统的加减乘除
【以下例子中，参数均为多项式的系数】
print(np.polyint([2,2,2,1]))
——[0.5 0.66666667 1. 1. 0. ]
print(np.polyder([1,2,3,4]))
——[3 4 3]
print(np.polyval([9,-5,2,2],4))
——506
统计
- Median：求中值
- Corrcoef：求相关系数
- Cov：求协方差
a = np.array([1,4,6,7,1,9,3])
print(np.median(a))
——4.0
print(np.corrcoef(a))
——1.0
print(np.median(a))
——9.285714285714285
唯一化以及其他的集合逻辑
- Unique(x)：返回唯一元素
- Intersect1d(x,y)：交集
- Union1d(x,y)：并集
- Ind1d(x,y)：布尔型数组，表示x中的元素是否存在于y中
- Setdiff1d(x,y)：差
- Setxor1d(x,y)：异或
a = np.array([1,4,6,7,1,9,3])
b = np.array([4,10,6,2,3,8,5])
print(np.intersect1d(a,b))
——[3 4 6]
文件操作
- 二进制文件：np.save、np.load
- 文本文件：np.savetxt、np.loadtxt
二进制文件会存储为.npy的格式
NumPy的Broadcasting（广播）机制
a = np.array([1,2,3])
b = np.array([2,2,2])
print(a*b)
——[2 4 6]
a = np.array([1,2,3])
b = 2 #Broadcasting机q制
print(a*b)
——[2 4 6]
