PythonNumpy库的用法

　　这是我学些numpy时做的一些笔记，分享给大家，在CSDN上搜索相关词也可获得numpy简介
　　NumPy 是一个 Python 包。 它代表 ＂Numeric Python＂。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。 numpy操作数组的算数和逻辑运算。 傅立叶变换和用于图形操作的例程。 与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。 numPy - 数据类型
　　NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。
　　序号
　　数据类型及描述
　　1.
　　bool_ 存储为一个字节的布尔值（真或假）
　　2.
　　int_ 默认整数，相当于 C 的long，通常为int32或int64
　　3.
　　intc 相当于 C 的int，通常为int32或int64
　　4.
　　intp 用于索引的整数，相当于 C 的size_t，通常为int32或int64
　　5.
　　int8 字节（-128 ~ 127）
　　6.
　　int16 16 位整数（-32768 ~ 32767）
　　7.
　　int32 32 位整数（-2147483648 ~ 2147483647）
　　8.
　　int64 64 位整数（-9223372036854775808 ~ 9223372036854775807）
　　9.
　　uint8 8 位无符号整数（0 ~ 255） 示例1 标注矩阵格式# 首先创建结构化数据类型。   import numpy as np  dt = np.dtype([(＂age＂,np.int8)])   print dt
　　[(＂age＂, ＂i1＂)]  示例2 矩阵格式传递# 文件名称可用于访问 age 列的内容   import numpy as np    dt = np.dtype([(＂age＂,np.int8)])  a = np.array([(10,),(20,),(30,)], dtype = dt)   print a[＂age＂]
　　[10 20 30]  示例3 矩阵中对应格式的表达 import numpy as np    student = np.dtype([(＂name＂,＂S20＂),  (＂age＂,  ＂i1＂),  (＂marks＂,  ＂f4＂)])  a = np.array([(＂abc＂,  21,  50),(＂xyz＂,  18,  75)], dtype = student)   print a
　　[(＂abc＂, 21, 50.0), (＂xyz＂, 18, 75.0)]
　　每个内建类型都有一个唯一定义它的字符代码： ＂b＂  ：布尔值 ＂i＂  ：符号整数 ＂u＂  ：无符号整数 ＂f＂  ：浮点 ＂c＂  ：复数浮点 ＂m＂  ：时间间隔 ＂M＂  ：日期时间 ＂O＂  ：Python 对象 ＂S＂, ＂a＂  ：字节串 ＂U＂  ：Unicode ＂V＂  ：原始数据（ void  ） numpy-数组属性示例1 调整矩阵行列import numpy as np  a = np.array([[1,2,3],[4,5,6]])  b = a.reshape(3,2)   print b
　　[[1, 2] [3, 4] [5, 6]]  示例2 调整矩阵行列# 一维数组   import numpy as np  a = np.arange(24) a.ndim  # 现在调整其大小 b = a.reshape(2,4,3)   print b  # b 现在拥有三个维度
　　[[[ 0, 1, 2] [ 3, 4, 5] [ 6, 7, 8] [ 9, 10, 11]] [[12, 13, 14] [15, 16, 17] [18, 19, 20] [21, 22, 23]]]  numpy-来自数据的数组示例1 矩阵表达# 将列表转换为 ndarray  import numpy as np    x =  [1,2,3]  a = np.asarray(x)   print a
　　[1 2 3]  示例2 元组转化为矩阵# 来自元组的 ndarray   import numpy as np    x =  (1,2,3)  a = np.asarray(x)   print a
　　[1 2 3]  示例3 元组矩阵转化为矩阵# 来自元组列表的 ndarray import numpy as np    x =  [(1,2,3),(4,5)]  a = np.asarray(x)   print a
　　[(1, 2, 3) (4, 5)]  numpy-数组上的迭代示例1 矩阵展开import numpy as np a = np.arange(0,60,5)  a = a.reshape(3,4)   print  ＂原始数组是：＂   print a print  ＂ ＂   print  ＂修改后的数组是：＂   for x in np.nditer(a):       print x,
　　原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
　　修改后的数组是： 0 5 10 15 20 25 30 35 40 45 50 55  示例2 矩阵的转置import numpy as np  a = np.arange(0,60,5)  a = a.reshape(3,4)   print  ＂原始数组是：＂   print a  print  ＂ ＂   print  ＂原始数组的转置是：＂  b = a.T  print b  print  ＂ ＂   print  ＂修改后的数组是：＂   for x in np.nditer(b):       print x,
　　原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
　　原始数组的转置是： [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]]
　　修改后的数组是： 0 5 10 15 20 25 30 35 40 45 50 55  不同风格的顺序
　　C风格是横着顺序
　　F风格是竖着的顺序 修改数组的值示例1 矩阵相乘import numpy as np a = np.arange(0,60,5)  a = a.reshape(3,4)   print  ＂原始数组是：＂   print a  print  ＂ ＂   for x in np.nditer(a, op_flags=[＂readwrite＂]):      x[...]=2*x  print  ＂修改后的数组是：＂   print a
　　原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
　　修改后的数组是： [[ 0 10 20 30] [ 40 50 60 70] [ 80 90 100 110]]  广播迭代示例1 矩阵对应排列import numpy as np  a = np.arange(0,60,5)  a = a.reshape(3,4)   print  ＂第一个数组：＂   print a  print  ＂ ＂   print  ＂第二个数组：＂  b = np.array([1,  2,  3,  4], dtype =  int)   print b  print  ＂ ＂   print  ＂修改后的数组是：＂   for x,y in np.nditer([a,b]):       print  ＂%d:%d＂  %  (x,y),
　　第一个数组： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
　　第二个数组： [1 2 3 4]
　　修改后的数组是： 0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4  numpy—数组操作修改形状示例1 flat迭代器import numpy as np  a = np.arange(8).reshape(2,4)  print ＂原始数组：＂  print a  print ＂ ＂    print ＂调用 flat 函数之后：＂  # 返回展开数组中的下标的对应元素  print a.flat[5]
　　原始数组： [[0 1 2 3] [4 5 6 7]]
　　调用 flat 函数之后： 5  示例2 横竖格式表达C,Fimport numpy as np  a = np.arange(8).reshape(2,4)    print ＂原数组：＂  print a  print ＂ ＂   # default is column-major    print ＂展开的数组：＂  print a.flatten()  print ＂ ＂     print ＂以 F 风格顺序展开的数组：＂  print a.flatten(order = ＂F＂)
　　原数组： [[0 1 2 3] [4 5 6 7]]
　　展开的数组：默认是A [0 1 2 3 4 5 6 7]
　　以 F 风格顺序展开的数组： [0 4 1 5 2 6 3 7]  翻转操作示例1 transpose转置矩阵import numpy as np  a = np.arange(12).reshape(3,4)    print ＂原数组：＂  print a   print ＂ ＂    print ＂转置数组：＂  print np.transpose(a)  print ＂转置数组：＂  print a.T
　　原数组： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]
　　转置数组： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]