摘要：會將其轉變成的結構。傳入的參數必須是同一結構不是同一結構將發生轉換。均為類型轉為浮點數類型轉為字符類型利用查看結構能夠了解的結構，時通過查看結構能夠更好地了解程序運行的過程。
Python 真火來學習一下，先來看一個庫 NumPy。NumPy是Python語言的一個擴充程序庫。支持高級大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。
1. 讀取文件
numpy.genfromtxt() 用于讀取 txt 文件，其中傳入的參數依次為：
需要讀取的 txt 文件位置，此處文件與程序位于同一目錄下
分割的標記
轉換類型，如果文件中既有文本類型也有數字類型，就先轉成文本類型
help(numpy.genfromtxt)用于查看幫助文檔：
如果不想看 API 可以啟動一個程序用 help 查看指令的詳細用法
import numpy
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str)
print(type(world_alcohol))
print(world_alcohol)
print(help(numpy.genfromtxt))
2. 構造 ndarray
numpy.array()構造 ndarray
numpy.array()中傳入數組參數，可以是一維的也可以是二維三維的。numpy 會將其轉變成 ndarray 的結構。
vector = numpy.array([1,2,3,4])
matrix = numpy.array([[1,2,3],[4,5,6]])
傳入的參數必須是同一結構,不是同一結構將發生轉換。
vector = numpy.array([1,2,3,4])
array([1, 2, 3, 4])
均為 int 類型
vector = numpy.array([1,2,3,4.0])
array([ 1., 2., 3., 4.])
轉為浮點數類型
vector = numpy.array([1,2,"3",4])
array(["1", "2", "3", "4"],dtype="
轉為字符類型
利用 .shape 查看結構
能夠了解 array 的結構，debug 時通過查看結構能夠更好地了解程序運行的過程。
print(vector.shape)
print(matrix.shape)
(4,)
(2, 3)
利用 dtype 查看類型
vector = numpy.array([1,2,3,4])
vector.dtype
dtype("int64")
ndim 查看維度
一維
vector = numpy.array([1,2,3,4])
vector.ndim
1
二維
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
matrix.ndim
2
size 查看元素數量
matrix.size
9
3. 獲取與計算
numpy 能使用切片獲取數據
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
根據條件獲取
numpy 能夠依次比較 vector 和元素之間是否相同
vector = numpy.array([5, 10, 15, 20])
vector == 10
array([False, True, False, False], dtype=bool)
根據返回值獲取元素
vector = numpy.array([5, 10, 15, 20])
equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])
[False True False False]
[10]
進行運算之后獲取
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
類型轉換
將整體類型進行轉換
vector = numpy.array([5, 10, 15, 20])
print(vector.dtype)
vector = vector.astype(str)
print(vector.dtype)
int64
求和
sum() 能夠對 ndarray 進行各種求和操作，比如分別按行按列進行求和
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
print(matrix.sum())
print(matrix.sum(1))
print(matrix.sum(0))
45
[ 6 15 24]
[12 15 18]
sum(1) 是 sum(axis=1)) 的縮寫，1表示按照 x軸方向求和，0表示按照y軸方向求和
4. 常用函數
reshape
生成從 0-14 的 15 個數字，使用 reshape(3,5) 將其構造成一個三行五列的 array。
import numpy as np
arr = np.arange(15).reshape(3, 5)
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
zeros
生成指定結構的默認為 0. 的 array
np.zeros ((3,4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
ones
生成一個三維的 array,通過 dtype 指定類型
np.ones( (2,3,4), dtype=np.int32 )
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
range
指定范圍和數值間的間隔生成 array，注意范圍包左不包右
np.arange(0,10,2)
array([0, 2, 4, 6, 8])
random 隨機數
生成指定結構的隨機數，可以用于生成隨機權重
np.random.random((2,3))
array([[ 0.86166627, 0.37756207, 0.94265883],
[ 0.9768257 , 0.96915312, 0.33495431]])
5. ndarray 運算
元素之間依次相減相減
a = np.array([10,20,30,40])
b = np.array(4)
a - b
array([ 6, 16, 26, 36])
乘方
a**2
array([ 100, 400, 900, 1600])
開根號
np.sqrt(B)
array([[ 1.41421356, 0. ],
[ 1.73205081, 2. ]])
e 求方
np.exp(B)
array([[ 7.3890561 , 1. ],
[ 20.08553692, 54.59815003]])
向下取整
a = np.floor(10*np.random.random((2,2)))
a
array([[ 0., 0.],
[ 3., 6.]])
行列變換
a.T
array([[ 0., 3.],
[ 0., 6.]])
變換結構
a.resize(1,4)
a
array([[ 0., 0., 3., 6.]])
6. 矩陣運算
矩陣之間的運算
A = np.array( [[1,1],
[0,1]] )
B = np.array( [[2,0],
[3,4]] )
對應位置一次相乘
A*B
array([[2, 0],
[0, 4]])
矩陣乘法
print (A.dot(B))
print(np.dot(A,B))
[[5 4]
[3 4]]
橫向相加
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print(a)
print(b)
print(np.hstack((a,b)))
[[ 2. 3.]
[ 9. 3.]]
[[ 8. 1.]
[ 0. 0.]]
[[ 2. 3. 8. 1.]
[ 9. 3. 0. 0.]]
縱向相加
print(np.vstack((a,b)))
[[ 2. 3.]
[ 9. 3.]
[ 8. 1.]
[ 0. 0.]]
矩陣分割
#橫向分割
print( np.hsplit(a,3))
#縱向風格
print(np.vsplit(a,3))
7. 復制的區別
地址復制
通過 b = a 復制 a 的值，b 與 a 指向同一地址，改變 b 同時也改變 a。
a = np.arange(12)
b = a
print(a is b)
print(a.shape)
print(b.shape)
b.shape = (3,4)
print(a.shape)
print(b.shape)
True
(12,)
(12,)
(3, 4)
(3, 4)
復制值
通過 a.view() 僅復制值，當對 c 值進行改變會改變 a 的對應的值，而改變 c 的 shape 不改變 a 的 shape
a = np.arange(12)
c = a.view()
print(c is a)
c.shape = 2,6
c[0,0] = 9999
print(a)
print(c)
False
[9999 1 2 3 4 5 6 7 8 9 10 11]
[[9999 1 2 3 4 5]
[ 6 7 8 9 10 11]]
完整拷貝
a.copy() 進行的完整的拷貝，產生一份完全相同的獨立的復制
a = np.arange(12)
c = a.copy()
print(c is a)
c.shape = 2,6
c[0,0] = 9999
print(a)
print(c)
False
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[9999 1 2 3 4 5]
[ 6 7 8 9 10 11]]
