axis=0 是跨行（纵向），axis=1 是跨列（横向）
在 NumPy 里有两个重要的对象：ndarray（N-dimensional array object）解决了多维数组问题，而 ufunc（universal functionobject）则是解决对数组进行处理的函数。
Numpy入门
ndarray 对象
ndarray 实际上是多维数组的含义。在 NumPy 数组中，维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。在 NumPy 中，每一个线性的数组称为一个轴（axes），其实秩就是描述轴的数量。
Array 的创建及访问
import numpy as np
a = np.array([1, 2, 3]) # 直接通过 array 函数创建数组
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b[1,1]=10 # 行跟列的下标是从 0 开始计的
print(a.shape) # 返回行列数
print(b.shape)
print(a.dtype) # 类型。类型不一致，取精确度最高的
print(b)
print(b.size) # 元素个数
结果：
(3,)
(3, 3)
int32
[[ 1 2 3]
[ 4 10 6]
[ 7 8 9]]
9
c = np.arange(1, 10, 2) #左包括，右不包括。后一个参数为递增间隔
print(c)
d = np.zeros(5)
print(d) # 全零一维矩阵
f = np.zeros([2, 3]) #全零二维矩阵
print(f)
e = np.eye(5) #产生单位矩阵
print(e)
结果：
[1 3 5 7 9]
[0. 0. 0. 0. 0.]
[[0. 0. 0.]
[0. 0. 0.]]
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]]
g = np.arange(1, 10)
print(g)
print(g[1]) #访问第二个元素，从零开始数
print(g[1:5]) #访问范围。左包括，右不包括
h = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) # 创建三维数组
print(h[1][0]) #访问第二行第一个 行跟列从零开始数
print(h[1, 0]) #同上
print(h[:2,1:]) #第二行截至，第二列开始
结果：
[1 2 3 4 5 6 7 8 9]
2
[2 3 4 5]
4
4
[[2 3]
[5 6]]
数组与矩阵运算
i1 = np.random.randn(10) #创建一个随机一维数组,值符合正态分布
print(i1)
i2 = np.random.randint(10) #生成一个 10 以内的随机数，包括 0-9
print(i2)
i3 = np.random.randint(10, size=(2, 3)) #利用参数 size 创建多维数组
print(i3)
i4 = np.random.randint(10, size=20) #创建一维数组，10 以内，20 个数
print(i4)
i5 = np.random.randint(10, size=20).reshape(4, 5) #把一维数组变为多维数组，
print(i5)
结果：
[-0.4799064 0.90009812 -0.53315152 -0.33763872 0.23889252 1.23343036
-0.55018753 1.47400788 1.30866825 -0.30432421]
1
[[0 3 9]
[5 6 2]]
[4 4 1 2 4 2 2 0 7 0 0 1 6 0 8 6 1 8 9 5]
[[5 5 1 7 7]
[2 3 4 1 4]
[9 2 6 0 4]
[4 8 1 1 8]]
h = np.random.randint(10, size=20).reshape(4, 5)
g = np.mat([[1, 2, 3],[4, 5, 6]]) # 创建矩阵
print(g)
print(np.mat(h)) # 将数组改为矩阵
结果：
[[1 2 3]
[4 5 6]]
[[7 0 2 2 6]
[5 1 7 6 6]
[2 3 8 7 9]
[2 0 3 3 3]]
两个数组之间的加、减、乘、除、求 n 次方和取余数。
x1 = np.arange(1,11,2)
x2 = np.linspace(1,9,5)
print(x1)
print(x2)
print (np.add(x1, x2))
print (np.subtract(x1, x2))
print (np.multiply(x1, x2))
print (np.divide(x1, x2))
print (np.power(x1, x2))
print (np.remainder(x1, x2))
结果：
[1 3 5 7 9]
[1. 3. 5. 7. 9.]
[ 2. 6. 10. 14. 18.]
[0. 0. 0. 0. 0.]
[ 1. 9. 25. 49. 81.]
[1. 1. 1. 1. 1.]
[1.00000000e+00 2.70000000e+01 3.12500000e+03 8.23543000e+05
3.87420489e+08]
[0. 0. 0. 0. 0.]
a = np.mat(np.random.randint(10, size=20).reshape(4, 5))
b = np.mat(np.random.randint(10, size=20).reshape(5, 4)) # 乘法需a的行数与b的列数相同才行
print(a)
print(b)
print(a*b)
结果：
[[6 7 0 5 3]
[9 5 8 5 0]
[9 7 6 1 1]
[7 5 9 8 4]]
[[0 5 4 8]
[4 5 9 1]
[8 3 9 9]
[6 2 4 6]
[0 3 6 9]]
[[ 58 84 125 112]
[114 104 173 179]
[ 82 103 163 148]
[140 115 210 226]]
a = np.random.randint(10, size=20).reshape(4, 5)
print(a)
print(np.unique(a))
print(sum(a)) #求和，列的和
print(sum(a[0])) #第一行的和
print(sum(a[:, 0])) #第一列的和
print(a.max()) #求最大值
print(max(a[0])) #求第一行最大值
print(max(a[:, 0])) #求第一列最大值
结果：
[[9 5 9 8 4]
[0 7 3 8 5]
[5 2 8 9 6]
[9 5 0 5 1]]
[0 1 2 3 4 5 6 7 8 9]
[23 19 20 30 16]
35
23
9
9
9
Array 的 input 和 output
使用 pickle 序列化 numpy array
import pickle
x = np.arange(10) #创建一维数组
print(x)
f = open('x.pkl', 'wb')
pickle.dump(x, f) #将文件存到电脑中
f = open('x.pkl', 'rb')
print(pickle.load(f))
np.save('one_array', x)
print(np.load('one_array.npy'))
y = np.arange(20)
print(y)
np.savez('two_array.npz', a=x, b=y ) #压缩多个文件
c = np.load('two_array.npz') #加载多个文件并赋值
print(c['a'])
print(c['b'])
极客时间：
结构数组：
import numpy as np
persontype = np.dtype({
'names':['name', 'age', 'chinese', 'math', 'english'],
'formats':['S32','i', 'i', 'i', 'f']})
peoples = np.array([("ZhangFei",32,75,100, 90),("GuanYu",24,85,96,88.5),
("ZhaoYun",28,85,92,96.5),("HuangZhong",29,65,85,100)],
dtype=persontype)
#首先在 NumPy 中是用 dtype 定义的结构类型，然后在定义数组的时候，用 array 中指定了结构数组的类型 dtype=persontype，这样你就可以自由地使用自定义的 persontype 了。
ages = peoples[:]['age']
chineses = peoples[:]['chinese'] #每个人的语文成绩
maths = peoples[:]['math']
englishs = peoples[:]['english']
print np.mean(ages)
print np.mean(chineses)
print np.mean(maths)
print np.mean(englishs)
ufunc 运算
1.算术运算
# x1 和x2的结果是一样的，
x1 = np.arange(1,11,2) #指定初始值、终值、步长
x2 = np.linspace(1,9,5) #指定初始值、终值、元素个数
print np.add(x1, x2) #加
print np.subtract(x1, x2) #减
print np.multiply(x1, x2) #乘
print np.divide(x1, x2) #除
print np.power(x1, x2) #求 n 次方
print np.remainder(x1, x2) #取余数
2.计数组 / 矩阵中的最大值函数 amax()，最小值函数 amin()
import numpy as np
a = np.array([[1,2,3], [4,5,6], [7,8,9]])
print np.amin(a)
print np.amin(a,0) #0 是跨行（纵向），axis=1 是跨列（横向）
print np.amin(a,1)
print np.amax(a)
print np.amax(a,0)
print np.amax(a,1)
3.统计最大值与最小值之差 ptp()
a = np.array([[1,2,3], [4,5,6], [7,8,9]])
print np.ptp(a)
print np.ptp(a,0)
print np.ptp(a,1)
4.统计数组的百分位数 percentile()
a = np.array([[1,2,3], [4,5,6], [7,8,9]])
#percentile() 代表着第 p 个百分位数，这里p 的取值范围是 0-100，如果 p=0，那么就是求最小值，如果 p=50 就是求平均值，如果 p=100 就是求最大值。
print np.percentile(a, 50) #平均值
print np.percentile(a, 50, axis=0) #纵。
print np.percentile(a, 50, axis=1) #横
结果：
5.0
[4. 5. 6.]
[2. 5. 8.]
5.统计数组中的中位数 median()、平均数 mean()
a = np.array([[1,2,3], [4,5,6], [7,8,9]])
# 求中位数
print np.median(a)
print np.median(a, axis=0)
print np.median(a, axis=1)
# 求平均数
print np.mean(a)
print np.mean(a, axis=0)
print np.mean(a, axis=1)
6.统计数组中的加权平均值 average()
a = np.array([1,2,3,4])
wts = np.array([1,2,3,4])
# 默认情况下每个元素的权重是相同的，也可以指定权重数组
print np.average(a)
print np.average(a,weights=wts)
结果：
2.5
3.0
7.统计数组中的标准差 std()、方差 var()
方差的计算是指每个数值与平均值之差的平方求和的平均值.
标准差是方差的算术平方根。
a = np.array([1,2,3,4])
print np.std(a)
print np.var(a)
结果：
1.118033988749895
1.25
8.NumPy 排序。 sort() 函数。
sort(a, axis=-1, kind=‘quicksort’, order=None)，默认情况下使用的是快速排序；在 kind 里，可以指定 quicksort、mergesort、heapsort 分别表示快速排序、合并排序、堆排序。同样 axis 默认是 -1，即沿着数组的最后一个轴进行排序，也可以取不同的 axis 轴，或者 axis=None 代表采用扁平化的方式作为一个向量进行排序。另外 order 字段，对于结构化的数组可以指定按照某个字段进行排序。
a = np.array([[4,3,2],[2,4,1]])
print np.sort(a)
print np.sort(a, axis=None)
print np.sort(a, axis=0)
print np.sort(a, axis=1)
结果：
[[2 3 4]
[1 2 4]]
[1 2 2 3 4 4]
[[2 3 1]
[4 4 2]]
[[2 3 4]
[1 2 4]]
韧桂 2019-03-13