Numpy¶

Numpy特征和导入¶

1. 用于多维数组的第三方Python包
2. 更接近于底层和硬件 (高效)
3. 专注于科学计算 (方便)
4. 导入包：import numpy as np

list转为数组¶

1. a = np.array([0,1,2,3])
2. 输出为：[0 1 2 3]
3. 数据类型：<type 'numpy.ndarray'>

一维数组¶

1. a = np.array([1,2,3,4])属性

a.ndim–>维度为1 a.shape–>形状，返回(4,) len(a)–>长度，4 2. 访问数组a[1:5:2]下标1-5，下标关系+2 3. 逆序a[::-1]

多维数组¶

1. 二维：a = np.array([[0,1,2,3],[1,2,3,4]])

输出为：

 [[0 1 2 3]
[1 2 3 4]]

a.ndm –>2 a.shape –>(2,4)–>行数，列数 len(a) –>2–>第一维大小

2. 三维：a = np.array([[[0],[1]],[[2],[4]]])

a.shape–>(2,2,1)

用函数创建数组¶

1. np.arange()`

   a = np.arange(0, 10)
   b = np.arange(10)
   c = np.arange(0,10,2)
   

   输出：

   [0 1 2 3 4 5 6 7 8 9]
   [0 1 2 3 4 5 6 7 8 9]
   [0 2 4 6 8]
   

2. np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等距离产生num个数
3. np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None) 以log函数取

常用数组¶

1. a = np.ones((3,3)) 输出：

   [[ 1. 1. 1.]
   [ 1. 1. 1.]
   [ 1. 1. 1.]]
   

2. np.zeros((3,3))
3. np.eye(2)单位矩阵
4. np.diag([1,2,3],k=0)对角矩阵，k为对角线的偏移

随机数矩阵¶

1. a = np.random.rand(4) 输出：[ 0.99890402 0.41171695 0.40725671 0.42501804]范围在[0,1]之间
2. a = np.random.randn(4)Gaussian函数，
3. 生成100个0-m的随机数: [t for t in [np.random.randint(x-x, m) for x in range(100)]] 也可以

   m_arr = np.arange(0,m)      # 生成0-m-1
   np.random.shuffle(m_arr)    # 打乱m_arr顺序
   

   然后取前100个即可

查看数据类型¶

1. a.dtype

数组复制¶

1. 共享内存

   a = np.array([1,2,3,4,5])
   b = a
   print np.may_share_memory(a,b)
   

   输出：True 说明使用的同一个存储区域，修改一个数组同时另外的也会修改

2. 不共享内存

   b = a.copy()
   

布尔型¶

a = np.random.random_integers(0,20,5)
print a
print a%3==0
print a[a % 3 == 0]

输出：

[14 3 6 15 4]
[False True True True False]
[ 3 6 15]

中间数、平均值¶

1. 中间数np.median(a)
2. 平均值np.mean(a), 若是矩阵，不指定axis默认求所有元素的均值 axis=0,求列的均值 axis=1，求行的均值

矩阵操作¶

1. 乘积np.dot(a,b)

a = np.array([[1,2,3],[2,3,4]])
b = np.array([[1,2],[2,3],[2,2]])
print np.dot(a,b)

或者使用np.matrix()生成矩阵，相乘需要满足矩阵相乘的条件

2. 内积np.inner(a,b)

行相乘 3. 逆矩阵np.linalg.inv(a) 4. 列的最大值np.max(a[:,0])–>返回第一列的最大值 5. 每列的和np.sum(a,0) 6. 每行的平均数np.mean(a,1) 7. 求交集p.intersect1d(a,b)，返回一维数组 8. 转置：np.transpose(a) 9. 两个矩阵对应对应元素相乘（点乘）：a*b

文件操作¶

1. 保存：tofile()

   a = np.arange(10)
   a.shape=2,5
   a.tofile("test.bin")
   

   读取：（需要注意指定保存的数据类型）

   a = np.fromfile("test.bin",dtype=np.int32)
   print a
   

2. 保存：np.save("test",a)–>会保存成test.npy文件 读取：a = np.load("test")

组合两个数组¶

1. 垂直组合

a = np.array([1,2,3])
b = np.array([[1,2,3],[4,5,6]])
c = np.vstack((b,a))

2. 水平组合

a = np.array([[1,2],[3,4]])
b = np.array([[1,2,3],[4,5,6]])
c = np.hstack((a,b))

读声音Wave文件¶

1. wave

import wave
from matplotlib import pyplot as plt
import numpy as np
# 打开WAV文档
f = wave.open(r"c:\WINDOWS\Media\ding.wav", "rb")
# 读取格式信息
# (nchannels, sampwidth, framerate, nframes, comptype, compname)
params = f.getparams()
nchannels, sampwidth, framerate, nframes = params[:4]
# 读取波形数据
str_data = f.readframes(nframes)
f.close()
#将波形数据转换为数组
wave_data = np.fromstring(str_data, dtype=np.short)
wave_data.shape = -1, 2
wave_data = wave_data.T
time = np.arange(0, nframes) * (1.0 / framerate)
# 绘制波形
plt.subplot(211) 
plt.plot(time, wave_data[0])
plt.subplot(212) 
plt.plot(time, wave_data[1], c="g")
plt.xlabel("time (seconds)")
plt.show()

where¶

找到y数组中=1的位置：np.where(y==1)

np.ravel(y)¶

将二维的转化为一维的，eg:(5000,1)-->(5000,)

ndarray.flat函数¶

将数据展开对应的数组，可以进行访问

应用：0/1映射

def dense_to_one_hot(label_dense,num_classes):
    num_labels = label_dense.shape[0]
    index_offset = np.arange(num_labels)*num_classes
    labels_one_hot = numpy.zeros((num_labels, num_classes))
    labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
    return labels_one_hot

数组访问¶

X = np.array([[1,2],[3,4]])

X[0:1]和X[0:1,:]等价，都是系那是第一行数据

np.c_()¶

按照第二维度，即列拼接数据

np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]

输出：array([[1, 2, 3, 0, 0, 4, 5, 6]])

两个列表list拼接，长度要一致

np.c_[[1,2,3],[2,3,4]]

np.c_[range(1,5),range(2,6)]