一、前言

玩數據分析、數據挖掘、AI的都知道這個python庫用的是很多的，里面包含各種操作，在實際的dataset的處理當中是非常常用的，這里我做一個總結，方便自己看，也方便大家看，我準備做一個非常細致的分類，每個分類有對應的numpy常用用法，以后見到或者用到再一個個慢慢加進來，如果我還用csdn我就會移植update下去。

二、下載、安裝、導入

用anaconda安裝是十分方便的，如果你已經安裝了tf,keras之類的，其實已經直接把numpy安裝了，一般來說安裝就是pip命令。

1pipinstallnumpy#py22pip3installnumpy#py3

用法則是

1importnumpyasnp#一般as為np來操作

三、常用用法總結

１．array基本信息以及生成各種常見array基本操作

生成array，得到對應的基本信息

1importnumpyasnp 2 3array=np.array([[1,2,3], 4[2,3,4]]) 5 6printarray#numpy生成的array 7printarray.dtype#每個元素的類型 8print"numberofdim",array.ndim#array的維度 9print'shape:',array.shape#形狀，兩行三列。10print'size:',array.size#array的大?。絘rray中所有元素的個數11"""12[[123]13[234]]14int6415numberofdim216shape:(2,3)17size:618"""

array的生成就是np.array(list)，本質上是把定義的list轉換成array，因為array可以進行更加方便地計算和操作，比如矩陣的轉置和相乘。

array的dtype設置

1importnumpyasnp 2 3a=np.array([2,23,4],dtype=np.float32) 4print"a'sdtype",a.dtype 5aa=np.array([2,23,4],dtype=np.int) 6print"aa'sdtype",aa.dtype 7aaa=np.array([2,23,4]) 8print"aaa'sdtype",aaa.dtype 9aaaa=np.array([2.2,23.2,4.2])10print"aaaa'sdtype",aaaa.dtype11aaaaa=np.array([2,23,4],dtype=np.int64)12print"aaaaa'sdtype:",aaaaa.dtype1314"""15a'sdtypefloat3216aa'sdtypeint6417aaa'sdtypeint6418aaaa'sdtypefloat6419aaaaa'sdtype:int6420"""

由可以得到一個結論就是如果定義的array里面的list的元素本身為整數的話，不設置type，則默認為int64,如果設置為int類型而沒有設置字節大小則還是默認為int64,如果元素本身為小數，則默認為float64。所以如果用int64，則如果元素都為整數則不需要設置默認即可，設置其他類型需要設置，float類似。

生成常見array格式

1a1=np.zeros((2,3),dtype=np.int)#生成shape=(2,3)的全為0的array 2 3printa1 4""" 5[[000] 6[000]] 7""" 8 9a2=np.ones((3,4),dtype=np.int16)#生成shape=(3,4)的全為1的array1011printa212"""13[[1111]14[1111]15[1111]]16"""

這里注意shape=(a,b)，在填入shape的參數的時候一定要加括號，以下雷同。

1a3=np.empty((3,4))#生成shape=(3,4)的全為接近空的array 2printa3 3""" 4[[6.92259773e-3104.67497449e-3106.92259751e-3106.92259750e-310] 5[2.37151510e-3223.16202013e-3220.00000000e+0006.92257087e-310] 6[6.92259748e-3106.92257087e-3106.92257063e-3106.92257063e-310]] 7""" 8a4=np.arange(10,20,2)#生成array10到20每隔2的一增加，for循環中主要使用 9printa410"""11[1012141618]12"""1314a5=np.arange(12)#生成array０到12-1=11每一個增加，for循環中非常常用15printa516"""17[01234567891011]18"""1920a6=np.arange(12).reshape((3,4))#這里主要展示reshape的功能，能夠重新定義矩陣的形狀21printa622"""23[[0123]24[4567]25[891011]]26"""27 # 1和10之間４個元素越過，這個主要應用在插值運算或者matplotlib畫光滑曲線的時候計算用到。28a7=np.linspace(1,10,4).reshape((2,2))2930printa731"""32[[1.4.]33[7.10.]]3435"""

２．array之間的計算

加減法

相同維度:

1importnumpyasnp 2 3a=np.array([10,20,30,40]) 4b=np.arange(4) 5print"a:",a 6print"b:",b 7c=a+b 8print"c:",c 9c1=a-b10print"c1:",c111"""12a:[10203040]13b:[0123]14c:[10213243]15c1:[10192837]16"""

不同維度:

1aa=np.array([[1,2,3,4], 2[11,22,33,44]]) 3 4bb=np.arange(4) 5 6print"aa:",aa 7print"bb:",bb 8print"a+b:",aa+bb 910"""11aa:[[1234]12[11223344]]13bb:[0123]14a+b:[[1357]15[11233547]]16"""

如果是不同維度的array進行加減法的話，程序就是把維度低的array自動復制擴展到大維度的array,進行相加當然前提條件是兩個不同維度的array進行相加的時候，低維度的array的shape也要和高維度的array其中一個shape相同，例如上面代碼所示，(2,4) (1,4) 都有個shape為４

乘除法

1d=np.array([[1,2], 2[3,4]]) 3e=np.arange(1,8,2).reshape((2,2)) 4print"d:",d 5print"e:",e 6 7print"d*e:",d*e#對應元素相乘 8print"d/e",d/e#對應元素相除，因為是int64類型所以類似于2/3=0 9"""10d:[[12]11[34]]12e:[[13]13[57]]14d*e:[[16]15[1528]]16d/e[[10]17[00]]18"""

不同緯度的乘除法和上面加減法解析情況一樣，可對比來看。

平方，三角函數，比較元素大小

1a=np.array([10,20,30,40]) 2b=np.arange(4) 3c2=b**2#平方 4print"c2:",c2 5 6c3=10*np.sin(a)#sin函數 7print"c3:",c3 8""" 9c2:[0149]10c3:[-5.440211119.12945251-9.880316247.4511316]11"""12print"b:",b13print"b:",b

矩陣相乘

1d=np.array([[1,2], 2[3,4]]) 3e=np.arange(1,8,2).reshape((2,2)) 4print"d:",d 5print"e:",e 6printnp.dot(d,e) 7printd.dot(e) 8""" 9d:[[12]10[34]]11e:[[13]12[57]]13[[1117]#例如１１為1*1+2*5=1114[2337]]15[[1117]16[2337]]1718"""

np.dot(d, e) 與d.dot(e)一樣，都為d和e進行矩陣相乘

隨機數和max,min,sum

1f=np.random.random((2,4))#隨機產生shape為（２，４）的一個array，每個元素都為0-1之間隨機生成 2printf 3print"=------=" 4printnp.sum(f) 5printnp.min(f) 6printnp.max(f) 7""" 8[[0.110275230.848419910.598669920.92557867] 9[0.999175220.27715650.255781980.06671013]]10=------=114.081767552987877120.06671012832269874130.999175215388682714"""15print"============="16printnp.sum(f,axis=0)17printnp.min(f,axis=1)18printnp.max(f,axis=0)19"""20[1.109450441.125576410.85445190.9922888]21[0.110275230.06671013]22[0.999175220.848419910.598669920.92557867]23"""

顧名思義，sum為總，min為最小，max為最大，如果不設置axis維度參數的話，則都為整個array的元素來說，但一般我們運用都只是算某個維度的sum,max,min，在二維數據中，axis=0代表行，第一個維度，axis=1，代表列為第二個維度，其實這么記并不是很好很有可能記錯，我一般都是這么記得：axis=0為行，那意思就是每一行都要算唄？算完那不就是一列的每一行算個數被，axis=1類推，多維數據類推即可

矩陣轉置和排序，以及元素比較大小重置元素方法

1c=np.arange(14,2,-1).reshape((3,4)) 2 3printc 4print"sort:",np.sort(c)#每一行進行重新大小排序當然也有axis參數配置，根據我的axis參數說明來操作 5 6printnp.transpose(c)#轉置同下面操作 7printc.T#轉置同上面操作 8 9print"clip:",np.clip(c,5,9)#c矩陣中的元素小于５的等于５，大于９的等于９10"""11[[14131211]12[10987]13[6543]]14sort:[[11121314]15[78910]16[3456]]17[[14106]18[1395]19[1284]20[1173]]21[[14106]22[1395]23[1284]24[1173]]25clip:[[9999]26[9987]27[6555]]28"""

平均值、中值，累加，后減前

1a=np.arange(2,14).reshape((3,4)) 2print"a:",a 3print"average:",np.average(a)#平均值 4print"median:",np.median(a)#中值 5 6print"cumsum:",np.cumsum(a)#每個元素變成當前元素＋前面所有元素的和 7print"diff:",np.diff(a)#當前元素減去前面元素的差 8""" 9a:[[2345]10[6789]11[10111213]]12average:7.513median:7.514cumsum:[259142027354454657790]15diff:[[111]16[111]17[111]]18"""

３．索引

最大值最小值索引，非零索引

1a=np.array([[2,6,0,4], 2[4,8,9,1], 3[10,2,3,11]]) 4print"argmin:",np.argmin(a) 5print"axis0:",np.argmin(a,axis=0) 6print"axis1:",np.argmin(a,axis=1) 7print"argmax:",np.argmax(a) 8print"zero:",np.nonzero(a) 910"""11argmin:212axis0:[0201]13axis1:[231]14argmax:1115zero:(array([0,0,0,1,1,1,1,2,2,2,2]),array([0,1,3,0,1,2,3,0,1,2,3]))16"""

argmin/argmax都是返回最小值/最大值的索引的函數。這里的axis和上面的分析是完全一致的，例如argmin(a)就是最小的索引，雖小的毋庸置疑是０，所以總體來講從第一行第一個元素到最后一行最后一個元素，總體來算索引，那就是第二個為０，所以返回２，如果axis=0說明一列中的每一行來比較，那第一列比較出來最小的為２，即索引為０，因為每一列的每一行來比較所以最后的維度為列數，在這里即為４，以此列推。非零索引的意思為非零的數返回索引，如上例為返回兩個array，前面array對應行索引，后面對應列索引，一前一后加一起的shape才對應一個非零索引

取值，取列或行

1importnumpyasnp 2 3a=np.arange(3,15).reshape((3,4)) 4 5printa 6printa[1]#索引為1的行，同下 7printa[:][1]#索引為1的行，同上 8print"=========-------===========" 9printa[2][1]#和數組一樣的表示10printa[2,1]#同上，這才是比較標準的array的索引表示，前面是行后面是列的索引11print"=========---------============"12printa[:,1]#索引為１的列,生成為行向量13printa[:,1:2]#索引為１的列，生成為列向量14printa[:,1:3]1516printa[1,1:3]#為上面a[:,1:3]的索引為１的行向量17"""18[[3456]19[78910]20[11121314]]21[78910]22[78910]23=========-------===========2412251226=========---------============27[4812]28[[4]29[8]30[12]]31[[45]32[89]33[1213]]34[89]35"""

著重講一下a[:, 1:2]a[:, 1:3]a[1, 1:3]

a[:, 1:2]：:代表行所有也就是一列要的話，這一列的每一行都要，1:2對應的從索引為１的列來算移植相當于取到索引為（2-1）的列，2為取的最高索引大一個。所以總體來講就是首先取每一行，之后在行里取索引１->１的列元素，所以為最終的結果列向量。

a[:, 1:3]：按照上面的分析則每一行都要，列要索引為1和(3-1)的元素，那就是索引為1和2的所有元素，也就是第二列和第三列的元素。

a[1, 1:3]：為a[:, 1:3]的索引為１的所有元素。這里需要注意的是

a[:, 1]#索引為１的列,生成為行向量，

a[:, 1:2]#索引為１的列，生成為列向量

因為兩種取值的思想不一樣，最終造成的結果也不一樣，一個是直接取，所以維度減少了一個，另一個是在原本維度上截取，最終還是原來的維度。

迭代元素和降維

1a=np.arange(3,15).reshape((3,4))# 數據都是下取上差一個取到。 2printa 3print"row" 4forrowina:#取每一行迭代 5printrow 6print"column" 7forcolumnina.T:#每一列迭代 8printcolumn 9print"====================="10printa.flatten()#所有元素變成一維11b=np.array([[1,2,3]])12printb13printb.flatten()#降維1415foritemina.flat:#每個元素打印16printitem1718"""19[[3456]20[78910]21[11121314]]22row23[3456]24[78910]25[11121314]26column27[3711]28[4812]29[5913]30[61014]31=====================32[34567891011121314]33[[123]]34[123]3533643753863974084194210431144124513461447"""

行迭代，就是可以理解為最外層的維度進行迭代，列迭代就是利用轉置來完成。flatten()函數的意思為把array的內層的維度進行降一維，將內層的維度弄掉，則二維數據就成為一維數據了

４．合并與分開

兩個合并、多個合并（行向量轉換成列向量）

1#-*-coding:utf-8-*- 2importnumpyasnp 3 4a=np.array([1,1,2]) 5b=np.array([2,3,4]) 6 7c=np.vstack((a,b))#vertical 8 9print"a:",a10print"b:",b11print"c:",c12print"a,cshape:",a.shape,c.shape1314d=np.hstack((a,b))#horizontal15print"d:",d16printd.shape17"""18a:[112]19b:[234]20c:[[112]21[234]]22a,cshape:(3,)(2,3)23d:[112234]24(6,)25"""26printa.T#nottransponse行向量無法直接用轉置來變成列向量27#行向量變成列向量28printa[np.newaxis,:].shape29printa[:,np.newaxis].shape30printa[:,np.newaxis]#轉換方法31"""32[112]33(1,3)34(3,1)35[[1]36[1]37[2]]38"""39a=np.array([1,1,2])[:,np.newaxis]40b=np.array([2,3,4])[:,np.newaxis]4142c=np.concatenate((a,b,b),axis=0)#多向量融合4344printc4546c=np.concatenate((a,b,b),axis=1)#多向量融合4748printc4950"""51[[1]52[1]53[2]54[2]55[3]56[4]57[2]58[3]59[4]]60[[122]61[133]62[244]]63"""

分開

1#-*-coding:utf-8-*- 2importnumpyasnp 3 4a=np.arange(12).reshape((3,4)) 5 6printa 7print"平等分開" 8print"vertical:",np.split(a,2,axis=1)# 910print"horizontal:",np.split(a,3,axis=0)#11"""12[[0123]13[4567]14[891011]]15平等分開16vertical:[array([[0,1],17[4,5],18[8,9]]),array([[2,3],19[6,7],20[10,11]])]21horizontal:[array([[0,1,2,3]]),array([[4,5,6,7]]),array([[8,9,10,11]])]22"""23print"不平等分開"24printnp.array_split(a,3,axis=1)2526print"代替需要axis參數"27print"vertical_a:",np.vsplit(a,3)2829print"horizontal_a:",np.hsplit(a,2)30"""31不平等分開32[array([[0,1],33[4,5],34[8,9]]),array([[2],35[6],36[10]]),array([[3],37[7],38[11]])]39代替需要axis參數40vertical_a:[array([[0,1,2,3]]),array([[4,5,6,7]]),array([[8,9,10,11]])]41horizontal_a:[array([[0,1],42[4,5],43[8,9]]),array([[2,3],44[6,7],45[10,11]])]46"""

５．元素傳遞和copy

1b=np.arange(4) 2 3printb 4c=b 5e=c 6d=e 7b[0]=11 8printb 910printcisb11printdisb12printb[0]1314d[1:3]=[22,22]15printb16printc1718c=b.copy()1920b[3]=442122printb23printc24printe25"""26[0123]27[11123]28True29True301131[1122223]32[1122223]33[11222244]34[1122223]35[11222244]36"""

array這個元素傳遞有點意思的，就是如果直接a=b，其實從內存角度來考慮就相當于a和b指向了一樣的元素內存空間，所以改變一個元素的值，另一個一樣改變，如果想各是各的，并且還想傳遞另一個元素的值那就用a=b.copy()，所以這個還是需要注意的