# numpy.logspace,此函數返回ndarray對象,包含在對數刻度上均勻分布的數字.刻度的開始和結束端點是某個底數的冪,通常為10
# numpy.logscale(start, stop, num, endpoint, base, dtype)
# base,對數空間的底數,默認為10;其它參數同numpy.linspace
a = np.logspace(1.0, 2.0, num=5); print(a) # [10. 17.7827941 31.6227766 56.23413252 100.]
a = np.logspace(1, 10, num=5, base=2); print(a) # [2. 9.51365692 45.254834 215.2694823 1024.]
# ndarray對象的內容可以通過索引或切片來訪問和修改,就像Python的內置容器對象一樣;
# 基本切片:通過將start、stop和step參數提供給內置的slice函數來構造一個Python slice對象,用來提前數組的一部分
a = np.arange(10); s = slice(2,7,2); print(a[s]) # [2 4 6]
# 通過將由冒號分隔的切片參數(start:stop:step)直接提供給ndarray對象,也可以獲得相同的結果
a = np.arange(10); b = a[2:7:2]; print(b) # [2 4 6]
a = np.arange(10); b = a[2:]; print(b) # [2 3 4 5 6 7 8 9]
a = np.arange(10); b = a[2:5]; print(b) # [2 3 4]
# 切片還可以包括省略號(...),來使選擇元組的長度與數組的維度相同
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
b = a[..., 1]; print(b) # [2 4 5]
c = a[1, ...]; print(c) # [3 4 5]
# 高級索引:如果一個ndarray是非元組序列,數據類型為整數或布爾值的ndarray,或者至少一個元素為
# 序列對象的元組,我們就能夠用它來索引ndarray,高級索引始終返回數據的副本
# 高級索引:整數:基于N維索引來獲取數組中任意元素
x = np.array([[1, 2], [3, 4], [5, 6]])
# y中包括數組x中(0,0), (1,1), (2,0)位置處的元素
y = x[[0,1,2], [0,1,0]]; print(y) # [1 4 5]
# 高級索引:布爾值:當結果對象是布爾運算的結果時,將使用此類型的高級索引
x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
y = x[x > 5]; print(y) # [6 7 8 9 10 11]
# ~(取補運算符)來過濾NaN
x = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])
y = x[~np.isnan(x)]; print(y) # [1. 2. 3. 4. 5.]
# 從數組中過濾掉非復數元素
x = np.array([1, 2+6j, 5, 3.5+5j])
y = x[np.iscomplex(x)]; print(y) # [2.0+6.j 3.5+5.j]
# 廣播:是指NumPy在算術運算期間處理不同形狀的數組的能力, 對數組的算術運算通常在相應的元素上運行
# 如果兩個數組的維數不相同,則元素到元素的操作是不可能的。然而,在NumPy中仍然可以對形狀不相似的數組進行操作,因為它擁有廣播功能。
# 較小的數組會廣播到較大數組的大小,以便使它們的形狀可兼容
a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])
c = a * b; print(c) # [10 40 90 160]
a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0]])
b = np.array([1.0,2.0,3.0])
c = a + b; print(c) # [[1.0 2.0 3.0]
# [11. 12. 13.]]
# 數組上的迭代:NumPy包包含一個迭代器對象numpy.nditer。它是一個有效的多維迭代器對象,可以用于在數組上進行迭代。
# 數組的每個元素可使用Python的標準Iterator接口來訪問
a = np.arange(0, 60, 5)
a = a.reshape(3,4)
for x in np.nditer(a):
print(x, end=' ') # 0 5 10 15 20 25 30 35 40 45 50 55
print('\n')
# 修改數組的值: nditer對象的一個可選參數op_flags,其默認值為只讀,但可以設置為讀寫或只寫模式.這將允許使用此迭代器修改數組元素
for x in np.nditer(a, op_flags=['readwrite']):
x[...]=2*x; print(x, end=' ') # 0 10 20 30 40 50 60 70 80 90 100 110
print('\n')
# numpy.raval:返回展開的一維數組,并且按需生成副本。返回的數組和輸入數組擁有相同數據類型
a = np.arange(8).reshape(2,4)
b = a.ravel(); print(b) # [0 1 2 3 4 5 6 7]
# numpy.unique: 返回輸入數組中的去重元素數組
a = np.array([5, 2, 6, 2, 7, 5, 6, 8, 2, 9])
u = np.unique(a); print(u) # [2 5 6 7 8 9]
# 位操作:bitwise_and, bitwise_or, invert, left_shift, right_shift
a,b = 13,17; print(bin(a), bin(b)) # 0b1101 0b10001
c = np.bitwise_and(13, 17); print(c) # 1
c = np.bitwise_or(13, 17); print(c) # 29
# 字符串函數:add, multiply, center, capitalize, title, lower, upper, split, splitlines, strip, join, replace, decode, encode
print(np.char.add(['hello'],[' Spring'])) # ['hell Spring']
print(np.char.multiply('Hello ',3)) # Hello Hello Hello
# numpy.char.center: 此函數返回所需寬度的數組,以便輸入字符串位于中心,并使用fillchar在左側和右側進行填充
print(np.char.center('hello', 20, fillchar = '*')) # *******hello********
a = np.char.encode('hello', 'cp500'); print(a) # b'\x88\x85\x93\x93\x96'
b = np.char.decode(a, 'cp500'); print(b) # hello
# 三角函數:sin, cos, tan, arcsin, arccos, arctan
a = np.array([0, 30, 45, 60, 90])
b = np.sin(a*np.pi/180); print(b) # [ 0. 0.5 0.70710678 0.8660254 1.]
# 舍入函數: around, floor, ceil
a = np.array([1.0, 5.55, 123, 0.567, 25.532])
b = np.around(a); print(b) # [1. 6. 123. 1. 26.]
# 算數運算:add, subtract, multiply, divide, reciprocal, power, mod 輸入數組必須具有相同的形狀或符合數組廣播規則
a, b = [5, 6], [7, 10]
c = np.subtract(a, b); print(c) # [-2 -4]
# 統計函數:用于從數組中給定的元素中查找最小,最大,百分標準差和方差等, amin, amax, ptp, percentile, median, mean, average, std
a = np.array([1, 2, 3, 4, 5])
print(np.amin(a)) # 1
print(np.median(a)) # 3.0
print(np.mean(a)) # 3.0
# 副本和視圖: 在執行函數時,其中一些返回輸入數組的副本,而另一些返回視圖。 當內容物理存儲在另一個位置時,稱為副本。
# 另一方面,如果提供了相同內存內容的不同視圖,我們將其稱為視圖
a = np.arange(6); print(a) # [0 1 2 3 4 5]
print(id(a)) # 54667664
b = a
print(id(b)) # 54667664
b.shape = 2,3
print(a); # [[0 1 2]
# [3 4 5]]
# IO: ndarray對象可以保存到磁盤文件并從磁盤文件加載
# load()和save()函數處理NumPy二進制文件(帶npy擴展名)
# loadtxt()和savetxt()函數處理正常的文本文件
a = np.array([1, 2, 3, 4, 5])
np.save('E:/GitCode/Python_Test/test_data/outfile.npy', a)
b = np.load('E:/GitCode/Python_Test/test_data/outfile.npy')
print(b) # [1 2 3 4 5]
np.savetxt('E:/GitCode/Python_Test/test_data/outfile.txt', a)
b = np.loadtxt('E:/GitCode/Python_Test/test_data/outfile.txt')
print(b) # [1. 2. 3. 4. 5.]
# Matplotlib是Python的繪圖庫,在 中含有大量的matplotlib使用用例
x = np.arange(1,11)
y = 2 * x + 5
plt.title("Matplotlib demo")
plt.xlabel("x axis caption")
plt.ylabel("y axis caption")
plt.plot(x,y, 'ob')
plt.show()
評論
查看更多