一、numpy模塊的綜合使用方法

# 使用矩陣的好處，矩陣對于python中列表，字典等數據類型一個一個拿來計算是會方便計算很多的，底層使用的是c語言
# 在數據分析和數據處理的時候也經常常用
import numpy as np
array = np.array([[1,2,3],[2,3,4]],np.uint8) #將原始的列表轉換為矩陣
print(array)
print(array.shape) # 形狀：幾行幾列
print(array.ndim) #維度
print(array.size)# 矩陣中的元素個數（范圍）
# 創建各種各樣的數組,將列表轉換為矩陣，打印出來和列表的區別就是沒有逗號分隔元素
# 定義創建的矩陣元素形式，一般來說位數越大就越精確，占用的內存空間也越大
a = np.array([2,3,4],dtype = np.int64)
a1 = np.array([2,3,4],dtype = np.int16)
b = np.array([2,3,4],dtype = np.int32)
c = np.array([2,3,4],dtype = np.float64)
d = np.array([2,3,4],dtype = np.float32)
print(a)
print(a1)
print(b)
print(c)
print(d)
# 定義二維矩陣
a = np.array([[1,2,3],[2,3,4]])
print(a)
# 直接生成全為0的矩陣，定義shape的時候一定要用幾行幾列括住
a = np.zeros((3,4),dtype = np.int16)
b = np.ones((3,4),dtype = np.int16)
c = np.empty((3,4)) # 空矩陣其實說是什么都沒有，其實是非常接近于0的一個矩陣
# 定義一個有序矩陣從10到19，步長是2
d = np.arange(10,20,2)
# 定義一個有序的矩陣，從0到11，還想生成其他形狀的reshape重新定義行列
e = np.arange(12).reshape((3,4))
# 自動生成num段從初始值，到結束值的矩陣
f = np.linspace(1,10,6).reshape(2,3)
print(a)
print(b)
print(c)
print(d)
print(e)
print(f)
# 基礎運算
a = np.array([10,20,30,40])
b= np.arange(4)
c = a-b
d = a+b
# 將數組中的值都進行sin處理并且乘10
e = 10 * np.sin(a)
print(a,b)
print(c)
print(d)
print(b**2)
print(e)
# 判斷矩陣中的那些元素大于，小于，等于某個數 會返回布爾值
print(b)
print(b<3)
print(b==3)
# 運算二維矩陣,矩陣乘法是兩種形式，一種是對應位置相乘，一種是矩陣的乘法
a = np.array([[1,1],[2,3]],np.int16)
b = np.arange(4).reshape((2,2))
c = a*b
# 矩陣乘法方便快捷運算結果，圖片處理，機器學習
d = np.dot(a,b)
e = a.dot(b)
print(c)
print(d)
print(e)
# 創建隨機生成的矩陣
# 創建2行4列的矩陣（每一個元素都是0到1之間的隨機數）
a = np.random.random((2,4))
print(a)
print(np.sum(a,axis=1)) #代表在行數中求和
print(np.min(a,axis=0))  #代表在列數中求最小值
print(np.max(a,axis=1))# 代表在行數中求最大值
# numpy基礎運算第二篇
# 最大值,最小值索引
A = np.arange(2,14).reshape((3,4))
print(A)
print(A.argmin())
print(np.argmin(A))
print(A.argmax())
print(np.argmax(A))
# 矩陣平均值
print(np.mean(A,axis = 0)) #按列求平均值
print(np.average(A,axis = 1))#按行求平均值
print(A.mean())
# 這樣不可以
# print(A.average())
print(np.median(A)) #中位數
# 累計求和
print(np.cumsum(A))
# 累差:每相鄰兩個數的累積差值
print(np.diff(A))
# 找出非零的數:會給出兩個矩陣分別一個代表行號，一個代表列號，組合起來就是第幾行第幾列的數是非零的
print(np.nonzero(A))
# 排序:按行排列，每一行從小到大排列
A = np.arange(14,2,-1).reshape(3,4)
print(np.sort(A))
# 矩陣的轉置
print(np.transpose(A))
print(A.T)
# 矩陣乘以矩陣的轉置
print(A.dot(A.T))
# 給定最小值和最大值，矩陣中所以大于最大值都變成最大值，所有的最小值都變成最小值，位于中間的數不變
print(np.clip(A,5,9))
# 矩陣的索引
A = np.arange(3,15)
print(A)
print(A[3])
# 打印二維矩陣，其實第一個索引就是行
A = np.arange(3,15).reshape(3,4)
print(A)print(A[2])
# 打印第一行第一列的值
print(A[1][1])
print(A[1,1])
# 打印第三行所有值,要么不寫，要么缺省寫個冒號
print(A[2,:])
# 打印第三列的所有值
print(A[:,2])
# 打印第一行，第一列到第二列的數
print(A)
print(A[1,1:3])
# 使用for循環迭代數組的行
for row in A:print(row)
# 使用for循環迭代矩陣的列:使用矩陣的列使得原來的行變成列
for column in A.T:print(column)
# 將矩陣扁平化，將n維矩陣轉換為一維矩陣
print(A)
print(A.flat) #這里確實是將A進行扁平化了，但是返回的是一個迭代器對象，直接打印會打印出迭代器的地址
print(A.flatten()) # 打印出扁平化的值
# 扁平化之后一個一個打印出每一個項，迭代器是支持迭代的
for item in A.flat:print(item)
# 合并array  直接生成矩陣會方便以后進行矩陣的轉換
# 如果不這樣做的話，會導致這樣的情況出現
A = np.array([1,1,1])
print(A.T) #實際上我想輸出[[1],這種縱向矩陣但是只將序列轉置會輸出[1,1,1]# [1],# [1]]
# 而且當我想查看A的類型的時候，會返回一個元組，元組中只有一個元素就是元素的個數（3，）
print(A.shape)
# 直接生成矩陣就可以避免這種情況
A = np.matrix([1,1,1])
B = np.matrix([2,2,2])
# 查看矩陣的類型
print(A.shape)
print(B.shape)
# 生成逆矩陣
print(A.T)
print(B.T)
# 將定義的array進行上下合并
print(np.vstack((A,B))) # vertical stack 垂直堆棧
# 將定義的array進行左右合并
print(np.hstack((A,B)) )# horizontal stack 水平堆棧
# 可以對多個array進行合并
print(np.vstack((A,B,B,A)))
print(np.vstack((A,B,B,A)).shape)
print(np.hstack((A,B,B,A)))
print(np.hstack((A,B,B,A)).shape)
# 合并，自己選擇水平或者是豎直
print(np.concatenate((A,B,B,A),axis=0)) #縱向
print(np.concatenate((A,B,B,A),axis=1)) # 橫向
# numpy array分割
A = np.arange(12).reshape((3,4))
# 分塊矩陣：split(矩陣，幾塊，行還是列)
# 這個零一真的很混亂axis的,所以我建議別記錄了,需要用的時候自己試試就好了
# 如果一定要理解的話就是1是左右分割,他是豎著的,想象豎著切矩陣就是左右分塊的
print(A)
print(np.split(A,2,axis = 1))
print(np.split(A,3,axis = 0))
# 如果想使用不等分割，需要使用array_split方法,使用split方法會報錯
print(np.array_split(A,3,axis = 1))
# 分割也可以進行一個簡便的方法：
# 縱向分割:是上下分割
print(np.vsplit(A,3))
# 橫向分割：是左右分割
print(np.hsplit(A,2))
# numpy array的賦值
# 賦值和淺拷貝
# 賦值會將被賦值的矩陣和原矩陣關聯起來
A = np.array([[1,2,3],[4,5,6]])
B = A
C = B
A[0][1] = 9
print(A)
print(B)
print(C)
A[1,1:3] = [22,33]
print(A)
print(B)
print(C)
# 淺拷貝會直接將值拷貝過來不會將矩陣關聯起來
D = A.copy()
A[1][2] = 3
print(A)
print(D) #D還是原先沒有改變是的A矩陣