import numpy as np
import scipy as sp
a = np.ones((2, 3),dtype=int)
a.sum(axis=0)#按列相加
a.sum(axis=1)#按行相加
a.ravel()#转为一维
b = a.reshape #返回一个新的修改后的数组,若修改b中的值,a中相应的值也会改变，若要真正的拷贝改为b = a.reshape().copy()
a.resize#直接修改数组本身,返回值为None
a.ndim #返回矩阵的维度
a.shape #返回矩阵的大小(行数, 列数)
np.argmax(a) #返回最大值的下标
np.isnan(a) #返回和a一样大小的矩阵，若为nan则为True,否则为False
a[~np.isnan(a)] #返回过滤nan元素后的矩阵
np.nan != np.nan is true
sp.sum(np.isnan(a)) # 返回元素值为nan的个数
np.linspace(start,stop,num) #返回在区间start--stop中的num个点
np.logspace(start, stop, num=50, endpoint=True, base=10.0) #返回在区间base**start--base**stop中的num个点
a[:,0] #取a的第0例
d = a[:,0:-1] #除去最后一列
d.min(0) #取每列的最小值
d.min(1) #取每行的最大值
d[i,:] #取第i行
d[100:1000,:] #取[100,1000)行
np.eye #对角矩阵,只有对角线上有非0元素的矩阵称为对角矩阵
np.identity #同上
np.linalg.inv(a) #求矩阵a的逆矩阵
np.trace #矩阵的迹(即对角线元素之和)
numpy.matrix.getH #共轭转置
np.ones #返回一个矩阵元素全为1
numpy.linalg.det #计算矩阵的行列式
np.random.uniform(low=0.0, high=1.0, size=None) #从均匀分布中取样,size为返回array元素的个数
np.linalg.svd #奇异值分解
np.mat #将输入转换为矩阵对象
np.transpose #矩阵转置,np.transpose(a)相当于a.T
np.sign(x) #T函数返回 -1 if x < 0, 0 if x==0, 1 if x > 0. nan if x is nan.
np.matmul # 两个矩阵之间的积
numpy.random.normal #生成高斯矩阵
numpy.random.choice #从序列中随机选取
numpy.asarray #将python list转换为numpy array
np.unique(a) #返回去重后的array
rng = np.random.RandomState(0)
X = rng.rand(10, 2000)
In:np.linspace(0,10,9) #在区间[0,10]中,返回含有9个元素的等差数组
Out:array([ 0. , 1.25, 2.5 , 3.75, 5. , 6.25, 7.5 , 8.75, 10. ])
In:np.arange(0,10,9) #返回在区间[0,10],步长为9的数组
Out: array([0, 9])
In [43]: b = np.array([[1,2,3],[4,5,6]])
In [44]: b.reshape(3,-1) #-1会被自动识别为2
Out[44]:
array([[1, 2],
[3, 4],
[5, 6]])
In [45]: b.reshape(-1,3) #-1会被自动识别为2
Out[45]:
array([[1, 2, 3],
[4, 5, 6]])
np.var #方差
In [126]: a = np.array([[1, 2], [3, 4]])
In [127]: np.var(a) #求展开后所有数的方差
Out[127]: 1.25
In [128]: np.var(a, axis=0) #按列计算方差
Out[128]: array([1., 1.])
In [129]: np.var(a, axis=1) #按行计算方差
Out[129]: array([0.25, 0.25])
np.cov #协方差
np.tile(A, reps) 根据reps重复A生成一个矩阵,reps为(行数,列数),可把A看作一个元素
In [165]: a = np.array([1,2,3])
In [166]: d = np.tile(a,(3,2))
In [167]: d
Out[167]:
array([[1, 2, 3, 1, 2, 3],
[1, 2, 3, 1, 2, 3],
[1, 2, 3, 1, 2, 3]])
# 求矩阵a的秩
In [3]: a
Out[3]:
array([[ 2, -1, 0, 3, -2],
[ 0, 3, 1, -2, 5],
[ 0, 0, 0, 4, -3],
[ 0, 0, 0, 0, 0]])
In [4]: np.linalg.matrix_rank(a)
Out[4]: 3
# nonzero 返回非零元素的下标
In [1]: a = np.array([0,2,0])
In [2]: np.nonzero(a)
Out[2]: (array([1]),)
In [3]: a[np.nonzero(a)] # 取数组a的非零元素
Out[3]: array([2])
In [4]: x = np.array([[1, 0, 0], [0, 2, 0], [1, 1, 0]]) # 二维数组
In [5]: x
Out[5]:
array([[1, 0, 0],
[0, 2, 0],
[1, 1, 0]])
In [6]: np.nonzero(x)
Out[6]: (array([0, 1, 2, 2]), array([0, 1, 0, 1]))
# np.multiply(x, y) == x * y
In [120]: x = np.array([1, 2, 3])
In [121]: y = np.array([4, 5, 6])
In [122]: x *y
Out[122]: array([ 4, 10, 18])
In [123]: np.multiply(x, y)
Out[123]: array([ 4, 10, 18])
# np.mean 求均值
>>> a = np.array([[1, 2], [3, 4]]) #求所有数的均值
>>> np.mean(a)
2.5
>>> np.mean(a, axis=0) # 对列求均值
array([ 2., 3.])
>>> np.mean(a, axis=1) # 对行求均值
array([ 1.5, 3.5])
In [132]: a = np.array([[1, 2], [3, 4]])
In [132]: ma = np.mat(a)
In [133]: ma
Out[133]:
matrix([[1, 2],
[3, 4]])
In [134]: ma.A # 返回array形式
Out[134]:
array([[1, 2],
[3, 4]])