np.array(object,dtype=…)

用object創建ndarray

?

empty（shape，dtype=）

empty_like（data）

指定形狀&類型，元素值均為隨機值

zeros（shape，dtype=）

zeros_like（data）

填充0

ones

ones_like（data）

填充1

full（shape，num，dtype）

full_like(data，num)

用num填充shape大小的數組

eye（num，dtype)

等同于identity(num,dtype)

num*num的單位矩陣

random.random(shape，dtype)

numpy.random.normal(loc,scale,size)

正態分布

diag

當?np.diag(array)?中

array是一個1維數組時，結果形成一個以一維數組為對角線元素的矩陣

array是一個二維矩陣時，結果輸出矩陣的對角線元素

empty_like（x）

創建一個形狀和x一樣的，數值隨機

arange(start, stop, step, dtype)

??

linspace

創建一個等差數列

?

?

logspace

創建一個等比數列

?

ndim

矩陣維數

shape

數組的維度（元組形式）【用reshape調整大小】

itemsize

一個元素的大小（占幾個字節）

real

元素的實部

imag

元素的虛部

dtype

數據類型

size

元素個數

a[start:end:step]

左閉右開

a[…,x]——第x+1列

a[x,…]——第x+1行

a[[list1],[list2]]

獲取

(list1[0].list2[0])

(list1[1].list2[1])

(list1[2].list2[2])

….等索引位置的數據

?

a[list]

獲取list中這幾行元素

a[np.ix_([list1],[list2])]

獲取第list1行的第list2列的數據

?

all

矩陣中元素是否全部非零

any

矩陣中是否有元素非零

argmax/argmin

第幾維度的最大最小值的坐標

Argmax[0]:對每一個a[…][0][0],a[…][0][1],a[…][0][2]

a[…][1][0],a[…][1][1],a[…][1][2]找一個最大值

count_nonzero()

統計非零元素值

floor

向下取整

ceil

向上取整

prod

所有元素乘積結果

argsort

argsort函數返回的是數組值從小到大的索引值

?

b——正序

-b——倒序

如果是多維的話（默認是最大的一個axis）

Axis=0

a[..][0][0],a[…][0][1],a[…][0][2]

a[..][1][0],a[…][1][1],a[…][1][2]

Axis=1

a[0][…][0],a[0][…][1],a[0][…][2]

Axis=2同理

copy

這個是真copy，不是view

clip

截取數組中在min和max之間的部分，比min小的置為min，比max大的置為max

cumsum/cumprod

括號是幾——第幾維度累加/累乘（a[][][][]里面的第幾個，從左往右）

括號里是0：原第一行=原第一行

? 原第二行=原第二行+原第一行

? 原第三行=原第三行+原第二行+原第一行

括號里是1：列的操作

沒有字母，所有元素，一個一個疊加

diff

類差運算

flatten

返回一份數據拷貝，對拷貝所做的修改不影響原始數組

F風格：按列展開

flat 一個迭代器

np.isin(a,b)

?用于判定a中的元素在b中是否出現過，如果出現過返回True,否則返回False,最終結果為一個形狀和a一模一樣的數組。

和np.where搭配使用，效果更好（np.where返回True的坐標）

分別是我找到的1的第一維坐標和第二位坐標

nditer

按照ndarray在內存中的存儲順序逐個訪問

a和a轉置在內存中的存儲順序一樣——他們的遍歷順序一樣

默認order=’C‘行優先

——order=“F’（fortran 列優先）?

meshgrid(ndarray,ndarray)

返回坐標方格的X與Y

x和y都是二維數組，分別是這些點的橫坐標/縱坐標

mean/average

計算平均數，加axis就是某一個軸，

比如axis=0，就是每一列一個平均數（a[;;;][0],a[,,,,][1],…..,)

average只能是np.average

median

std

newaxis

添加一個維度

感覺還是reshape靠譜一點

ravel

和flatten差不多，唯一的區別是，修改會影響原始數組

reshape

resize

如果一樣大的話和a.reshape()差不多

shape比a的尺寸小的話，那就是截取

如果尺寸大的話，會把a的元素按照a的順序補進去

np.round

round( number ) 函數會返回浮點數 number 的四舍五入值

具體定義為 round(number[,digits])：

如果 digits>0 ，四舍五入到指定的小數位；

如果 digits=0 ，四舍五入到最接近的整數；

如果 digits<0 ，則在小數點左側進行四舍五入；

如果 round() 函數只有 number 這個參數，則等同于 digits=0。

split

等量對分

（axis=0 a[1~n][0]會被等分到各個里面去）

一定是等量，不等量的話會報錯

vsplit=split(axis=0)

hsplit=split(axis=1)

array_split

不等量分割

np.sin

逐元素取sin

std

計算標準差

Axis=0——計算a[…][0][0],a[…][0][1],…的標準差

squeeze

刪除單維度條目

tolist

轉換為list

triu(data,k)

以data為數據，創建一個上三角矩陣，k表示這個上三角的邊接往上/下移動幾條線的距離

tile

np.tile（a,(2)）函數的作用就是將函數將函數沿著X軸擴大兩倍。如果擴大倍數只有一個，默認為X軸

np.tile(a,(2,1))第一個參數為Y軸擴大倍數，第二個為X軸擴大倍數。本例中X軸擴大一倍便為不復制。

np.timedelta(num,'x')

計算兩個datetime中間差多少時間間隔（向下取整）【Y、M、W、D、h、m、s、ms、us、ns】

轉置

where

numpy.where()?有兩種用法：

1. np.where(condition, x, y)

滿足條件(condition)，輸出x，不滿足輸出y。*如果y是數組的話，輸出y相應位置的元素

2. np.where(condition)

只有條件 (condition)，沒有x和y，則輸出滿足條件 (即非0) 元素的坐標。

這里的坐標以tuple的形式給出，通常原數組有多少維，輸出的tuple中就包含幾個數組，分別對應符合條件元素的各維坐標。

fromstring

從string中提取成ndarray

?只能讀取一個數值序列

tofile() & fromfile()

tofile()將數組中的數據以二進制格式寫進文件

tofile()輸出的數據不保存數組形狀和元素類型等信息

fromfile()函數讀回數據時需要用戶指定元素類型，并對數組的形狀進行適當的修改

讀入數據的時候，需要設置正確的dtype參數，并且修改屬組的shape屬性，才會得到和原始數據一致的結果

sep參數：tofile 和 fromfile中數值的分隔符

save() & load()

NumPy專用的二進制格式保存數據，它們會自動處理元素類型和形狀等信息

savez()

將多個數組保存到一個文件中

savez()的第一個參數是文件名，其后的參數都是需要保存的數組

?沒有起名的話就是'arr_0","arr_1",....起來名字的就是所起的名字

savez_compressed()

在savez的基礎上 進行一次數據壓縮

?

ndarray寫入csv

先轉化成DataFrame

savetxt() & loadtxt()

• 讀寫1維和2維數組的文本文件
• 可以用它們讀寫CSV格式的文本文件
• loadtxt 有一個參數是skiprows，表示跳過幾行的內容

isnan

判斷ndarray里面的元素是否是NaN