生成數組
常見的生成數組方法
import numpy as np testdata = np.arange(16)#生成指定數量個整型元素的數組 test_data = np.full((2,3),9)#指定生成2行3列，元素全為9的數組 data1 = np.zeros(15)#生成指定數量個元素全為0的數組 data2 = np.ones(20)#生成指定數量個元素全為1的數組 data3 = np.array(data1)#從現有數組拷貝 data4 = np.copy(data3)#同上（均為深拷貝） data5 = np.asarray(data1)#同上，但為淺拷貝，會隨原數組變化而變化 data6 = np.linspace(0,15,10)#在指定區間內生成指定數量個元素的數組 data7 = np.arange(0,11,5)#在指定區間內生成指定間隔的數組 data8 = np.random.randint(1,100,35,'i')#生成35個從1到100之間的數組成數組
data9 = np.clip(x,min,max)#從數組x中取min到max之間的數值
其中，每個方法中還有需要非必要參數，如果有需要還需查閱相關資料。
生成均勻分布數組
###均勻分布（在相同長度間隔的分布概率是等可能的） import matplotlib.pyplot as plt data9 = np.random.uniform(10,20,1000000)#從10到20之間，隨機生成1000000個數據組成均勻分布數組 print('data9:',data9) plt.figure(figsize=(20,8),dpi=100) plt.hist(data9,1000) plt.show()
運行結果為
data9: [17.20969749 11.91751292 12.13526962 ... 12.63111667 11.86567292 19.94391678]
生成正態分布數組
###正態分布 import matplotlib.pyplot as plt data10 = np.random.normal(1.71,0.2,1000000)#生成1000000個元素為均值為1.71，方差為0.2的數組 plt.figure(figsize=(20,8),dpi=100) plt.hist(data10,1000) plt.show()
運行結果為
ndarray屬性的用法
常用的屬性方法
array = np.array([[80,66,25,14,33], [11,45,15,34,89], [10,85,45,28,94], [18,51,74,85,10], [89,31,54,65,32], [56,13,87,12,65], [87,15,32,45,51], [17,30,84,12,45]]) array.shape#數組的維度（行列數） array.ndim#數組維度的個數 array.size#數組的個數 array.dtype#數組中元素的類型 array.itemsize#數組中元素的字節大小 array.data[1,2]#訪問數組中某個位置的元素 ###切片索引與形狀修改 data11 = np.random.normal(1,0.21,(8,11))###生成八組正態分布數組，每個數組內有11個元素 data12 = data11.reshape(11,8)###只在原數據基礎上重新分割為指定行列，然后返回新的數組，並不影響原數組 data13 = data11.resize(11,8)###只在原數據基礎上重新分割為指定行列，改變原數組,沒有返回值 data14 = data12.T###轉置，行變成列，列變成行,不改變原數組 ###改變數據類型，數組去重 data15 = np.random.uniform(1,10,(4,5))###生成四組均勻分布數組，每組內有5個元素 data16 = data15.astype('int64')###改變數組中元素類型且不改變原數組 data18 = np.random.normal(1,5,(3,5))###生成數組###生成數組 data18 = data18.astype('int32')###定義生成數組類型 data18 = np.unique(data18)###第一種去重方法 data19 = set(data18.flatten())###第二種去重方法，先變為一維數組再用set a = np.array([1,2,3])###生成數組 np.repeat(a, [1,2,3])###repeat(數組，元素重復次數，axis改變軸) np.tile(a, 2)###tile(數組，數組重復次數) a = np.arange(10).reshape(2,-1)###生成數組 b = np.repeat(1, 10).reshape(2,-1)###生成數組###生成數組 np.concatenate([a, b], axis=0)###連接函數，前者為要連接的array，axis默認為0，垂直連接。若axis為1，水平連接。 np.vstack([a, b])###垂直方向拼接數組 np.r_[a, b]###不改變列數，按行拼接 np.concatenate([a, b], axis=1)###水平方向拼接數組 np.hstack([a, b])###水平方向拼接數組 np.c_[a, b]###不改變函數，按列拼接 a = np.array([1,2,3,2,3,4,3,4,9,5])###生成數組 b = np.array([7,2,10,2,7,4,9,4,9,8])###生成數組 np.intersect1d(a,b)###查找數組中相同的元素 np.setdiff1d(a,b)###刪除a中有，但b中也有的元素 np.where(a==b)###找出a和b中相同元素的位置，前提兩個數組中元素個數必須相同 np.where((a>=5)&(a<=10))###查找大於等於5並且小於等於10的元素 np.where(np.logical_and(a>=5, a<=10))###同上 arr = np.arange(9).reshape(3,3)###生成數組 arr[[2,1,0],:]###改變數組行位置 arr[:,[1,2,0]]###改變數組列位置 arr[::-1]###翻轉二維數組的行 arr[:,::-1]###翻轉二維數組的列 rand_arr = np.random.random([5,3]) np.set_printoptions(precision=3)###設置打印參數，precision可以規定打印小數點后幾位
邏輯運算
data20 = np.random.normal(0,0.2,(4,5))###生成平均分布數組 print('data20:',data20) print('判斷漲幅是否大於0.1，是則True，否則False：\n',data20 > 0.1) data20[data20 > 0.1] = 1.5###布爾索引以及操作 print('data20',data20) print('np.all用法：',np.all(data20>0.1))###傳入一組布爾值，數組中只要有一個是False則返回False，全是True返回True print('np.any用法：',np.any(data20>0.1))###傳入一組布爾值，數組中只要有一個是True則返回True，全是False返回False ###三元運算符np.where print('np.where用法：',np.where(data20>0.2,1,0))###np.where(判斷條件，True值，False值) ###復合邏輯運算np.logical_and和np.logical_or print('np.logical_and用法：',np.logical_and(data20>0,data20<0.5))###篩選大於0並且小於0.5的元素 print('np.logical_or用法：',np.logical_or(data20>0.5,data20<0.8))###篩選大於0.5或者低於0.8的元素
運行結果參考：
data20: [[ 5.812e-02 -2.305e-01 -4.702e-01 1.898e-01 8.838e-02] [ 1.626e-01 3.250e-03 -1.356e-01 -1.514e-01 1.343e-01] [-3.071e-02 -2.933e-02 1.320e-01 -1.521e-01 6.943e-02] [ 2.776e-01 -8.821e-05 -4.295e-02 2.106e-01 1.786e-01]] 判斷漲幅是否大於0.1，是則True，否則False： [[False False False True False] [ True False False False True] [False False True False False] [ True False False True True]] data20 [[ 5.812e-02 -2.305e-01 -4.702e-01 1.500e+00 8.838e-02] [ 1.500e+00 3.250e-03 -1.356e-01 -1.514e-01 1.500e+00] [-3.071e-02 -2.933e-02 1.500e+00 -1.521e-01 6.943e-02] [ 1.500e+00 -8.821e-05 -4.295e-02 1.500e+00 1.500e+00]] np.all用法： False np.any用法： True np.where用法： [[0 0 0 1 0] [1 0 0 0 1] [0 0 1 0 0] [1 0 0 1 1]] np.logical_and用法： [[ True False False False True] [False True False False False] [False False False False True] [False False False False False]] np.logical_or用法： [[ True True True True True] [ True True True True True] [ True True True True True] [ True True True True True]]
統計運算
temp = np.random.uniform(1,-0.5,(4,4))###生成數組 np.max(temp,axis=0)###求數組中最大值，若不加axis則求所有元素最大值，axis=0求出每列最大值，axis=1或-1求出每行最大值 np.min(temp,axis=0)###求數組中最小值，若不加axis則求所有元素最小值，axis=0求出每列最小值，axis=1或-1求出每行最小值 np.mean(temp)###求平均值 np.median(temp)###求中位數 np.var(temp)###求方差 np.std(temp)###求標准差
數組間運算
###數組與數之間的運算,每個元素都與之進行運算 array = np.arange(5) array + 1 array * 2 array / 2 ###數組與數組之間的運算 ###廣播機制，為了方便不同形狀的數組之間運算（當操作兩個數組時，numpy會逐個比較它們的形狀。只有在維度相同或者形狀對應位置有一個是1才能進行運算） ###能進行運算的數組 a = np.arange(6).reshape(2,3)###兩行三列 b = np.arange(2).reshape(2,1)###兩行一列 a + b###兩個數組中，分別滿足相同維度行，對應有一列為1，所以可以進行運算