點擊“小詹學Python”，選擇“置頂”公眾號

重磅干貨，第一時間送達

本文轉載自AI蝸牛車，禁二次轉載

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。

1pip?install?numpy?#py22pip3?install?numpy?#py3#py2
2pip3?install?numpy?#py3

用法則是

1import?numpy?as?np　#?一般as為np來操作import?numpy?as?np　#?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

1import?numpy?as?np 2 3array?=?np.array([[1,?2,?3], 4??????????????????[2,?3,?4]]) 5 6print?array??#numpy生成的array 7print?array.dtype　#?每個元素的類型 8print?"number?of?dim",?array.ndim　#?array的維度 9print?'shape:',?array.shape　#形狀，　兩行三列。10print?'size:',?array.size?#array的大小＝array中所有元素的個數11"""12????????[[1?2?3]13?????????[2?3?4]]14????????int6415????????number?of?dim?216????????shape:?(2,?3)17????????size:?618"""import?numpy?as?np
2
3array?=?np.array([[1,?2,?3],
4??????????????????[2,?3,?4]])
5
6print?array??#numpy生成的array
7print?array.dtype　#?每個元素的類型
8print?"number?of?dim",?array.ndim　#?array的維度
9print?'shape:',?array.shape　#形狀，　兩行三列。
10print?'size:',?array.size?#array的大小＝array中所有元素的個數
11"""
12????????[[1?2?3]
13?????????[2?3?4]]
14????????int64
15????????number?of?dim?2
16????????shape:?(2,?3)
17????????size:?6
18"""

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

1import?numpy?as?np 2 3a?=?np.array([2,?23,?4],?dtype=np.float32) 4print?"a's?dtype",?a.dtype 5aa?=?np.array([2,?23,?4],?dtype=np.int) 6print?"aa's?dtype",?aa.dtype 7aaa?=?np.array([2,?23,?4]) 8print?"aaa's?dtype",?aaa.dtype 9aaaa?=?np.array([2.2,?23.2,?4.2])10print?"aaaa's?dtype",?aaaa.dtype11aaaaa?=?np.array([2,?23,?4],?dtype=np.int64)12print?"aaaaa's?dtype:",?aaaaa.dtype1314"""15????????a's?dtype?float3216????????aa's?dtype?int6417????????aaa's?dtype?int6418????????aaaa's?dtype?float6419????????aaaaa's?dtype:?int6420"""import?numpy?as?np
2
3a?=?np.array([2,?23,?4],?dtype=np.float32)
4print?"a's?dtype",?a.dtype
5aa?=?np.array([2,?23,?4],?dtype=np.int)
6print?"aa's?dtype",?aa.dtype
7aaa?=?np.array([2,?23,?4])
8print?"aaa's?dtype",?aaa.dtype
9aaaa?=?np.array([2.2,?23.2,?4.2])
10print?"aaaa's?dtype",?aaaa.dtype
11aaaaa?=?np.array([2,?23,?4],?dtype=np.int64)
12print?"aaaaa's?dtype:",?aaaaa.dtype
13
14"""
15????????a's?dtype?float32
16????????aa's?dtype?int64
17????????aaa's?dtype?int64
18????????aaaa's?dtype?float64
19????????aaaaa's?dtype:?int64
20"""

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 3print?a1 4""" 5????????[[0?0?0] 6?????????[0?0?0]] 7""" 8 9a2?=?np.ones((3,?4),?dtype=np.int16)?#?生成shape=(3,?4)的全為1的array1011print?a212"""13????????[[1?1?1?1]14?????????[1?1?1?1]15?????????[1?1?1?1]]16"""2,?3),?dtype=np.int)?#?生成shape=(2,?3)的全為0的array
2
3print?a1
4"""
5????????[[0?0?0]
6?????????[0?0?0]]
7"""
8
9a2?=?np.ones((3,?4),?dtype=np.int16)?#?生成shape=(3,?4)的全為1的array
10
11print?a2
12"""
13????????[[1?1?1?1]
14?????????[1?1?1?1]
15?????????[1?1?1?1]]
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 2print?a3 3""" 4?????[[6.92259773e-310?4.67497449e-310?6.92259751e-310?6.92259750e-310] 5?????[2.37151510e-322?3.16202013e-322?0.00000000e+000?6.92257087e-310] 6?????[6.92259748e-310?6.92257087e-310?6.92257063e-310?6.92257063e-310]] 7""" 8a4?=?np.arange(10,?20,?2)　　#?生成array　10到20　每隔2的一增加，for循環中主要使用 9print?a410"""11????[10?12?14?16?18]12"""1314a5?=?np.arange(12)???#?生成array　０到12-1=11　每一個增加，for循環中非常常用15print?a516"""17????[?0??1??2??3??4??5??6??7??8??9?10?11]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21print?a622"""23????????[[?0??1??2??3]24?????????[?4??5??6??7]25?????????[?8??9?10?11]]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))　2930print?a731"""32????????[[?1.??4.]33?????????[?7.?10.]]3435"""3,?4))?#??生成shape=(3,?4)的全為接近空的array
2print?a3
3"""
4?????[[6.92259773e-310?4.67497449e-310?6.92259751e-310?6.92259750e-310]
5?????[2.37151510e-322?3.16202013e-322?0.00000000e+000?6.92257087e-310]
6?????[6.92259748e-310?6.92257087e-310?6.92257063e-310?6.92257063e-310]]
7"""
8a4?=?np.arange(10,?20,?2)　　#?生成array　10到20　每隔2的一增加，for循環中主要使用
9print?a4
10"""
11????[10?12?14?16?18]
12"""
13
14a5?=?np.arange(12)???#?生成array　０到12-1=11　每一個增加，for循環中非常常用
15print?a5
16"""
17????[?0??1??2??3??4??5??6??7??8??9?10?11]
18"""
19
20a6?=?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
21print?a6
22"""
23????????[[?0??1??2??3]
24?????????[?4??5??6??7]
25?????????[?8??9?10?11]]
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))　
29
30print?a7
31"""
32????????[[?1.??4.]
33?????????[?7.?10.]]
34
35"""

２．array之間的計算

加減法

相同維度:

1import?numpy?as?np 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"""12????????a:?[10?20?30?40]13????????b:?[0?1?2?3]14????????c:?[10?21?32?43]15????????c1:?[10?19?28?37]16"""import?numpy?as?np
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-b
10print?"c1:",?c1
11"""
12????????a:?[10?20?30?40]
13????????b:?[0?1?2?3]
14????????c:?[10?21?32?43]
15????????c1:?[10?19?28?37]
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"""11????????aa:???[[?1??2??3??4]12???????????????[11?22?33?44]]13????????bb:????[0?1?2?3]14????????a+b:???[[?1??3??5??7]15????????????????[11?23?35?47]]16"""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
9
10"""
11????????aa:???[[?1??2??3??4]
12???????????????[11?22?33?44]]
13????????bb:????[0?1?2?3]
14????????a+b:???[[?1??3??5??7]
15????????????????[11?23?35?47]]
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"""10????????d:?[[1?2]11?????????[3?4]]12????????e:?[[1?3]13?????????[5?7]]14????????d*e:?[[?1??6]15?????????[15?28]]16????????d/e?[[1?0]17?????????[0?0]]18"""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"""
10????????d:?[[1?2]
11?????????[3?4]]
12????????e:?[[1?3]
13?????????[5?7]]
14????????d*e:?[[?1??6]
15?????????[15?28]]
16????????d/e?[[1?0]
17?????????[0?0]]
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:?[0?1?4?9]10c3:?[-5.44021111??9.12945251?-9.88031624??7.4511316?]11"""12print?"b:",?b13print?"b:",?b?<?3?#　b中小于３的都為TRUE14print?"b:",?b?==?3?#?b中等于３的為TRUE15"""16b:?[0?1?2?3]17b:?[?True??True??True?False]18b:?[False?False?False??True]1920"""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:?[0?1?4?9]
10c3:?[-5.44021111??9.12945251?-9.88031624??7.4511316?]
11"""
12print?"b:",?b
13print?"b:",?b?<?3?#　b中小于３的都為TRUE
14print?"b:",?b?==?3?#?b中等于３的為TRUE
15"""
16b:?[0?1?2?3]
17b:?[?True??True??True?False]
18b:?[False?False?False??True]
19
20"""

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 6print?np.dot(d,?e) 7print?d.dot(e) 8""" 9????????d:?[[1?2]10?????????[3?4]]11????????e:?[[1?3]12?????????[5?7]]13????????[[11?17]?????#例如１１　為1*1+2*5=1114?????????[23?37]]15????????[[11?17]16?????????[23?37]]1718"""1,?2],
2?????????????[3,?4]])
3e?=?np.arange(1,?8,?2).reshape((2,?2))
4print?"d:",?d
5print?"e:",?e
6print?np.dot(d,?e)
7print?d.dot(e)
8"""
9????????d:?[[1?2]
10?????????[3?4]]
11????????e:?[[1?3]
12?????????[5?7]]
13????????[[11?17]?????#例如１１　為1*1+2*5=11
14?????????[23?37]]
15????????[[11?17]
16?????????[23?37]]
17
18"""

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 2print?f 3print?"=------=" 4print?np.sum(f) 5print?np.min(f) 6print?np.max(f) 7""" 8[[0.11027523?0.84841991?0.59866992?0.92557867] 9?[0.99917522?0.2771565??0.25578198?0.06671013]]10=------=114.081767552987877120.06671012832269874130.999175215388682714"""15print?"============="16print?np.sum(f,?axis=0)17print?np.min(f,?axis=1)18print?np.max(f,?axis=0)19"""20[1.10945044?1.12557641?0.8544519??0.9922888?]21[0.11027523?0.06671013]22[0.99917522?0.84841991?0.59866992?0.92557867]23"""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
2print?f
3print?"=------="
4print?np.sum(f)
5print?np.min(f)
6print?np.max(f)
7"""
8[[0.11027523?0.84841991?0.59866992?0.92557867]
9?[0.99917522?0.2771565??0.25578198?0.06671013]]
10=------=
114.081767552987877
120.06671012832269874
130.9991752153886827
14"""
15print?"============="
16print?np.sum(f,?axis=0)
17print?np.min(f,?axis=1)
18print?np.max(f,?axis=0)
19"""
20[1.10945044?1.12557641?0.8544519??0.9922888?]
21[0.11027523?0.06671013]
22[0.99917522?0.84841991?0.59866992?0.92557867]
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 3print?c 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 6print?np.transpose(c)?#轉置　同下面操作 7print?c.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????????????[[14?13?12?11]12?????????????[10??9??8??7]13?????????????[?6??5??4??3]]14????????????sort:?[[11?12?13?14]15?????????????[?7??8??9?10]16?????????????[?3??4??5??6]]17????????????[[14?10??6]18?????????????[13??9??5]19?????????????[12??8??4]20?????????????[11??7??3]]21????????????[[14?10??6]22?????????????[13??9??5]23?????????????[12??8??4]24?????????????[11??7??3]]25????????????clip:?[[9?9?9?9]26?????????????[9?9?8?7]27?????????????[6?5?5?5]]28"""14,?2,?-1).reshape((3,?4))
2
3print?c
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
6print?np.transpose(c)?#轉置　同下面操作
7print?c.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９
10"""
11????????????[[14?13?12?11]
12?????????????[10??9??8??7]
13?????????????[?6??5??4??3]]
14????????????sort:?[[11?12?13?14]
15?????????????[?7??8??9?10]
16?????????????[?3??4??5??6]]
17????????????[[14?10??6]
18?????????????[13??9??5]
19?????????????[12??8??4]
20?????????????[11??7??3]]
21????????????[[14?10??6]
22?????????????[13??9??5]
23?????????????[12??8??4]
24?????????????[11??7??3]]
25????????????clip:?[[9?9?9?9]
26?????????????[9?9?8?7]
27?????????????[6?5?5?5]]
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""" 9????????a:?[[?2??3??4??5]10?????????[?6??7??8??9]11?????????[10?11?12?13]]12????????average:?7.513????????median:?7.514????????cumsum:?[?2??5??9?14?20?27?35?44?54?65?77?90]15????????diff:?[[1?1?1]16?????????[1?1?1]17?????????[1?1?1]]18"""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"""
9????????a:?[[?2??3??4??5]
10?????????[?6??7??8??9]
11?????????[10?11?12?13]]
12????????average:?7.5
13????????median:?7.5
14????????cumsum:?[?2??5??9?14?20?27?35?44?54?65?77?90]
15????????diff:?[[1?1?1]
16?????????[1?1?1]
17?????????[1?1?1]]
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:?[0?2?0?1]13axis1:?[2?3?1]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"""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)
9
10"""
11argmin:?2
12axis0:?[0?2?0?1]
13axis1:?[2?3?1]
14argmax:?11
15zero:?(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

1import?numpy?as?np 2 3a?=?np.arange(3,?15).reshape((3,?4)) 4 5print?a 6print?a[1]　#索引為1的行，同下 7print?a[:][1]　#索引為1的行，同上 8print?"=========-------===========" 9print?a[2][1]?#和數組一樣的表示?10print?a[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?"=========---------============"12print?a[:,?1]?　　#索引為１的列,生成為行向量13print?a[:,?1:2]　　#索引為１的列，生成為列向量14print?a[:,?1:3]　　1516print?a[1,?1:3]?#為上面a[:,?1:3]的索引為１的行向量17"""18????????????[[?3??4??5??6]19?????????????[?7??8??9?10]20?????????????[11?12?13?14]]21????????????[?7??8??9?10]22????????????[?7??8??9?10]23????????????=========-------===========24????????????1225????????????1226????????????=========---------============27????????????[?4??8?12]28????????????[[?4]29?????????????[?8]30?????????????[12]]31????????????[[?4??5]32?????????????[?8??9]33?????????????[12?13]]34????????????[8?9]35"""import?numpy?as?np
2
3a?=?np.arange(3,?15).reshape((3,?4))
4
5print?a
6print?a[1]　#索引為1的行，同下
7print?a[:][1]　#索引為1的行，同上
8print?"=========-------==========="
9print?a[2][1]?#和數組一樣的表示?
10print?a[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?"=========---------============"
12print?a[:,?1]?　　#索引為１的列,生成為行向量
13print?a[:,?1:2]　　#索引為１的列，生成為列向量
14print?a[:,?1:3]　　
15
16print?a[1,?1:3]?#為上面a[:,?1:3]的索引為１的行向量
17"""
18????????????[[?3??4??5??6]
19?????????????[?7??8??9?10]
20?????????????[11?12?13?14]]
21????????????[?7??8??9?10]
22????????????[?7??8??9?10]
23????????????=========-------===========
24????????????12
25????????????12
26????????????=========---------============
27????????????[?4??8?12]
28????????????[[?4]
29?????????????[?8]
30?????????????[12]]
31????????????[[?4??5]
32?????????????[?8??9]
33?????????????[12?13]]
34????????????[8?9]
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。 2print?a 3print?"row" 4for?row?in?a:　#取每一行迭代 5????print?row 6print?"column" 7for?column?in?a.T:　#每一列迭代 8????print?column 9print?"====================="10print?a.flatten()?#?所有元素變成一維11b?=?np.array([[1,?2,?3]])　12print?b13print?b.flatten()?#降維1415for?item?in?a.flat:　#每個元素打印16????print?item1718"""19????????????[[?3??4??5??6]20?????????????[?7??8??9?10]21?????????????[11?12?13?14]]22????????????row23????????????[3?4?5?6]24????????????[?7??8??9?10]25????????????[11?12?13?14]26????????????column27????????????[?3??7?11]28????????????[?4??8?12]29????????????[?5??9?13]30????????????[?6?10?14]31????????????=====================32????????????[?3??4??5??6??7??8??9?10?11?12?13?14]33????????????[[1?2?3]]34????????????[1?2?3]35????????????336????????????437????????????538????????????639????????????740????????????841????????????942????????????1043????????????1144????????????1245????????????1346????????????1447"""3,?15).reshape((3,?4))# 數據都是下取上差一個取到。
2print?a
3print?"row"
4for?row?in?a:　#取每一行迭代
5????print?row
6print?"column"
7for?column?in?a.T:　#每一列迭代
8????print?column
9print?"====================="
10print?a.flatten()?#?所有元素變成一維
11b?=?np.array([[1,?2,?3]])　
12print?b
13print?b.flatten()?#降維
14
15for?item?in?a.flat:　#每個元素打印
16????print?item
17
18"""
19????????????[[?3??4??5??6]
20?????????????[?7??8??9?10]
21?????????????[11?12?13?14]]
22????????????row
23????????????[3?4?5?6]
24????????????[?7??8??9?10]
25????????????[11?12?13?14]
26????????????column
27????????????[?3??7?11]
28????????????[?4??8?12]
29????????????[?5??9?13]
30????????????[?6?10?14]
31????????????=====================
32????????????[?3??4??5??6??7??8??9?10?11?12?13?14]
33????????????[[1?2?3]]
34????????????[1?2?3]
35????????????3
36????????????4
37????????????5
38????????????6
39????????????7
40????????????8
41????????????9
42????????????10
43????????????11
44????????????12
45????????????13
46????????????14
47"""

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?-*- 2import?numpy?as?np 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,c?shape:",?a.shape,?c.shape1314d?=?np.hstack((a,?b))?#horizontal15print?"d:",?d16print?d.shape17"""18????????a:?[1?1?2]19????????b:?[2?3?4]20????????c:?[[1?1?2]21?????????[2?3?4]]22????????a,c?shape:?(3,)?(2,?3)23????????d:?[1?1?2?2?3?4]24????????(6,)25"""26print?a.T??#?not?transponse　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28print?a[np.newaxis,?:].shape29print?a[:,?np.newaxis].shape30print?a[:,?np.newaxis]??#轉換方法31"""32????????[1?1?2]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?4344print?c4546c?=?np.concatenate((a,?b,?b),?axis=1)?#多向量融合4748print?c4950"""51????????[[1]52?????????[1]53?????????[2]54?????????[2]55?????????[3]56?????????[4]57?????????[2]58?????????[3]59?????????[4]]60????????[[1?2?2]61?????????[1?3?3]62?????????[2?4?4]]63"""#?-*-?coding:?utf-8?-*-
2import?numpy?as?np
3
4a?=?np.array([1,?1,?2])
5b?=?np.array([2,?3,?4])
6
7c?=?np.vstack((a,?b))?#vertical
8
9print?"a:",?a
10print?"b:",?b
11print?"c:",?c
12print?"a,c?shape:",?a.shape,?c.shape
13
14d?=?np.hstack((a,?b))?#horizontal
15print?"d:",?d
16print?d.shape
17"""
18????????a:?[1?1?2]
19????????b:?[2?3?4]
20????????c:?[[1?1?2]
21?????????[2?3?4]]
22????????a,c?shape:?(3,)?(2,?3)
23????????d:?[1?1?2?2?3?4]
24????????(6,)
25"""
26print?a.T??#?not?transponse　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
28print?a[np.newaxis,?:].shape
29print?a[:,?np.newaxis].shape
30print?a[:,?np.newaxis]??#轉換方法
31"""
32????????[1?1?2]
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]
41
42c?=?np.concatenate((a,?b,?b),?axis=0)?#多向量融合?
43
44print?c
45
46c?=?np.concatenate((a,?b,?b),?axis=1)?#多向量融合
47
48print?c
49
50"""
51????????[[1]
52?????????[1]
53?????????[2]
54?????????[2]
55?????????[3]
56?????????[4]
57?????????[2]
58?????????[3]
59?????????[4]]
60????????[[1?2?2]
61?????????[1?3?3]
62?????????[2?4?4]]
63"""

分開

1#?-*-?coding:?utf-8?-*- 2import?numpy?as?np 3 4a?=?np.arange(12).reshape((3,?4)) 5 6print?a 7print?"平等分開" 8print?"vertical:",?np.split(a,?2,?axis=1)??# 910print?"horizontal:",?np.split(a,?3,?axis=0)??#11"""12????????????[[?0??1??2??3]13?????????????[?4??5??6??7]14?????????????[?8??9?10?11]]????????????15????????????平等分開16????????????vertical:?[array([[0,?1],17???????????????????[4,?5],18???????????????????[8,?9]]),?array([[?2,??3],19???????????????????[?6,??7],20???????????????????[10,?11]])]21????????????horizontal:?[array([[0,?1,?2,?3]]),?array([[4,?5,?6,?7]]),?array([[?8,??9,?10,?11]])]22"""23print?"不平等分開"24print?np.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40????????????vertical_a:?[array([[0,?1,?2,?3]]),?array([[4,?5,?6,?7]]),?array([[?8,??9,?10,?11]])]41????????????horizontal_a:?[array([[0,?1],42???????????????????[4,?5],43???????????????????[8,?9]]),?array([[?2,??3],44???????????????????[?6,??7],45???????????????????[10,?11]])]46"""#?-*-?coding:?utf-8?-*-
2import?numpy?as?np
3
4a?=?np.arange(12).reshape((3,?4))
5
6print?a
7print?"平等分開"
8print?"vertical:",?np.split(a,?2,?axis=1)??#
9
10print?"horizontal:",?np.split(a,?3,?axis=0)??#
11"""
12????????????[[?0??1??2??3]
13?????????????[?4??5??6??7]
14?????????????[?8??9?10?11]]????????????
15????????????平等分開
16????????????vertical:?[array([[0,?1],
17???????????????????[4,?5],
18???????????????????[8,?9]]),?array([[?2,??3],
19???????????????????[?6,??7],
20???????????????????[10,?11]])]
21????????????horizontal:?[array([[0,?1,?2,?3]]),?array([[4,?5,?6,?7]]),?array([[?8,??9,?10,?11]])]
22"""
23print?"不平等分開"
24print?np.array_split(a,?3,?axis=1)
25
26print?"代替需要axis參數"
27print?"vertical_a:",?np.vsplit(a,?3)
28
29print?"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
40????????????vertical_a:?[array([[0,?1,?2,?3]]),?array([[4,?5,?6,?7]]),?array([[?8,??9,?10,?11]])]
41????????????horizontal_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 3print?b 4c?=?b 5e?=?c 6d?=?e 7b[0]?=?11 8print?b 910print?c?is?b11print?d?is?b12print?b[0]1314d[1:?3]?=?[22,?22]15print?b16print?c1718c?=?b.copy()1920b[3]?=?442122print?b23print?c24print?e25"""26????????[0?1?2?3]27????????[11??1??2??3]28????????True29????????True30????????1131????????[11?22?22??3]32????????[11?22?22??3]33????????[11?22?22?44]34????????[11?22?22??3]35????????[11?22?22?44]36"""4)
2
3print?b
4c?=?b
5e?=?c
6d?=?e
7b[0]?=?11
8print?b
9
10print?c?is?b
11print?d?is?b
12print?b[0]
13
14d[1:?3]?=?[22,?22]
15print?b
16print?c
17
18c?=?b.copy()
19
20b[3]?=?44
21
22print?b
23print?c
24print?e
25"""
26????????[0?1?2?3]
27????????[11??1??2??3]
28????????True
29????????True
30????????11
31????????[11?22?22??3]
32????????[11?22?22??3]
33????????[11?22?22?44]
34????????[11?22?22??3]
35????????[11?22?22?44]
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

6.補充部分

array.min/max/ptp

1import?numpy?as?np 2 3a?=?[[2,?4,?8,?9],?[1,?7,?4,?5],?[5,?7,?1,?4]] 4a?=?np.array(a) 5print(a) 6print(a.min(0)) 7print(a.min(1)) 8print(a.ptp(0)) 9"""10[[2?4?8?9]11?[1?7?4?5]12?[5?7?1?4]]13axis=0?為每列的最小值返回14[1?4?1?4]15axis=1?為每行的最小值返回16[2?1?1]17ptp為最大值減最小值的range18[4?3?7?5]19"""import?numpy?as?np
2
3a?=?[[2,?4,?8,?9],?[1,?7,?4,?5],?[5,?7,?1,?4]]
4a?=?np.array(a)
5print(a)
6print(a.min(0))
7print(a.min(1))
8print(a.ptp(0))
9"""
10[[2?4?8?9]
11?[1?7?4?5]
12?[5?7?1?4]]
13axis=0?為每列的最小值返回
14[1?4?1?4]
15axis=1?為每行的最小值返回
16[2?1?1]
17ptp為最大值減最小值的range
18[4?3?7?5]
19"""

np.random.choice

1import?numpy?as?np23a?=?np.random.choice(a=100,?size=20)4print(a)5"""60-99之間選size為20的隨機數的list7[78?82?91?96??5?60?28?79?24?56??5?34?58?48?96?57?77?23?80?69]8"""import?numpy?as?np
2
3a?=?np.random.choice(a=100,?size=20)
4print(a)
5"""
60-99之間選size為20的隨機數的list
7[78?82?91?96??5?60?28?79?24?56??5?34?58?48?96?57?77?23?80?69]
8"""

推薦閱讀：（點擊即可跳轉閱讀）

解析幾道動態規劃題~

總結

以上是生活随笔為你收集整理的【Data Mining】机器学习三剑客之Numpy常用用法总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。