numpy广播机制
import numpy as np
arr1 = np.arange(24).reshape(4, 6)
print(arr1)
print(arr1 + 2) # 数组中的每一个元素都会进行运算
arr2 = np.arange(100,124).reshape(4,6)
print(arr2)
# 两个数组相加 --》形状相同，数组索引对应的元素会进行相加
print(arr1 + arr2)
# 一维数组 --》形状不同，行也不同，列相同
arr3 = np.arange(0,6)
print(arr3)
print(arr2-arr3)
# 行相同，列不同
arr4 = np.arange(0,4).reshape(4,1)
print(arr4)
print(arr2-arr4)
# 当两个数组行或者列不相同的时候（必须要有一个相同），就会出现广播机制运算
# 进行拆分，如果是行相同，就逐行运算，如果是列相同，就逐列运算
花式索引取值
import numpy as np
# 一维数组
arr1 = np.random.random(12)
print(arr1)
# 目标是一维数组，索引的结果就是对应的元素
index1 = np.array([0, 7, 9])
print(arr1[index1])
# 二维数组
index2 = np.array([[2,4,6],
[7,9,0]],dtype=np.int32)
print(index2)
print(arr1[index2])
# 根据index2中的每一个元素，去获取到arr1中的相应的数据，但是不改变维度（2行3列的二维数组）
统计方法
import numpy as np
# 3行4列的二维数组
arr1 = np.arange(11,23).reshape(3,4)
print(arr1)
# 最大值
print(arr1.max()) # 方法1：直接对象点上方法
print(np.max(arr1)) # 方法2：numpy点上方法，里面传入数组对象
# 最小值
print(arr1.min())
print(arr1[1].max()) # 针对第二行提取最大值
print(arr1[1].min()) # 针对第二行提取最小值
print(arr1[:, 0].max()) # 针对第一列提取最大值
print(arr1[:, 0].min()) # 针对第一列提取最小值
# 最大值索引 ，索引值是降维以后的索引值
print(arr1.argmax())
# 最小值索引
print(arr1.argmin())
# 计算总和,默认针对所有元素进行求和运算
print(arr1.sum())
print(arr1.sum(axis=1)) # 行求和
print(arr1.sum(axis=0)) # 列求和
# 计算第2列的总和
print(arr1[:,1].sum())
# 平均值：将所有元素加起来，除以元素个数
print(arr1.mean())
print(arr1.mean(axis=1)) # 行平均值
print(arr1.mean(axis=0)) # 列平均值
# 累加的和
print(arr1.cumsum())
# 累乘的和
print(arr1.cumprod())
"""
方差
统计的方法是 每个样本值 与 全体样本值 的平均数之差 的平方值的平均值
mean((x-x.mean())**2)
"""
print(np.var([1, 2, 3, 4])) # mean = 2.5
# (1-2.5)**2 (2-2.5)**2
"""标准差
是方差的一个算数平方根
std = sqrt(mean((x-x.mean())**2)
"""
print(np.std([1,2,3,4]))
print(np.sqrt(np.var([1,2,3,4])))
数组的拆分与合并
import numpy as np
arr1 = np.random.randint(0, 10, (3, 12))
print(arr1)
# 拆分
# hsplit() 垂直拆分 ↓
print(np.hsplit(arr1, 4)) # 垂直拆分成3个平均的数组
a1, a2, a3, a4 = np.hsplit(arr1, 4)
print(a1)
# 指定拆分
print(np.hsplit(arr1, (3, 4))) # 在指定的索引位置进行拆分
# vsplit（） 水平拆分 ->
arr2 = np.random.randint(0, 10, (6, 3))
print(arr2)
# 水平拆分，切分成两个平均的二维数组
print(np.vsplit(arr2, 2))
# 数组合并
# hstack 水平合并
# vstack 垂直合并
arr3 = np.random.randint(0, 10, (2, 2))
arr4 = np.random.randint(0, 10, (2, 2))
print(arr3)
print(arr4)
# 水平合并成两行四列的二维数组
print(np.hstack(tup=(arr3, arr4)))
# 垂直合并成一个4行2列的二维数组
print(np.vstack(tup=(arr3, arr4)))
线性代数方法
import numpy as np
# 创建两个二维数组
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[11, 12], [13, 14]])
print(arr1)
print(arr2)
)
# 数组的点积运算 np.dot
print(np.dot(arr1, arr2))
"""
将arr1的每一行与arr2的每一列进行对应元素的相乘，且相加
1*11+2*13 = 37
1*12 +2*14 = 40
3*11+4*13 = 85
3*12+4*14 = 92
"""
# 向量的点积运算 np.vdot
print(np.vdot(arr1, arr2))
"""
将数组展开成一维数组，进行索引元素内积，且相加
1*11+2*12+3*13+4*14 = 130
"""
# 数组元素内积 np.inner
a = np.array([1, 2, 3])
b = np.array([0, 1, 0])
print(np.inner(a, b)) # 1*0+2*1+3*0 = 2
# 二维元素
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[11, 12], [13, 14]])
print(np.inner(arr1, arr2))
"""
数组对应元素的内积
1*11+2*12 = 35
1*13 +2*14 = 41
3*11+4*12 = 81
3*13+4*14 = 95
"""
