python-numpy

1.条件和布尔数组

从数组中选择性抽取元素的方法是使用条件表达式和布尔运算符

# 从由0到1之间的随机数组成的4×4型矩阵中选取所有小于0.5的元素。
A = np.random.random((4，4))
A
# array([[ 0.03536295，0.0035115 , 0.54742404，0.68960999],
#		 [ 0.21264709,0.17121982,0.81090212，0.43408927],
#    	 [ 0.77116263,0.04523647，0.84632378，0.54450749],
#        [0.86964585,0.6470581 , 0.42582897，0.22286282]])

创建随机数矩阵后，如果使用表示条件的运算符，比如这里的小于号，你将会得到由布尔值组成的数组。对于原数组中条件满足的元素，布尔数组中处于同等位置的元素为True。

A<0.5
# array([[ True，True,False，False],
# 	     [ True，True，False, True],
#	     [False，True，False，False],
# 	     [False，False，True，True]],dtype=bool)

实际上，从数组中选取一部分元素时，隐式地用到了布尔数组。其实，直接把条件表达式置于方括号中，也能抽取所有小于0.5的元素，组成一个新数组。

1 2	A[A<0.5] # array([ 0.03536295, 0.0035115, 0.21264709, 0.17121982,0.43408927, 0.04523647, 0.42582897, 0.22286282])

2.形状变换

用reshape()函数把一维数组转换为矩阵。

reshape()函数返回一个新数组，因而可用来创建新对象。然而，如果想通过改变数组的形状来改变数组对象，需把表示新形状的元组直接赋给数组的shape属性。

由输出结果来看，上述操作改变了原始数组的形状，而没有返回新对象。改变数组形状的操作是可逆的,ravel()函数可以把二维数组再变回一维数组。

直接改变数据shape属性的值也可以

另外一种重要的运算是交换行列位置的矩阵转置。Numpy的transpose()函数实现了该功能

a.ravel()
#array([0.77841574,0.39654203,0.38188665,0.26704305,0.27519705,0.78115866,0.96019214,0.59328414,0.52008642,0.10862692,o.41894881,0.73581471])
a.shape()
#array([0.77841574,0.39654203,0.38188665,0.26704305,0.27519705,0.78115866,0.96019214,0.59328414,0.52008642,0.10862692,o.41894881,0.73581471])
a.transpose()
# array([[ 0.77841574，0.27519705, 0.52008642],
#		[ 0.39654203,0.78115866，0.10862692],
#		[0.38188665，0.96019214,0.41894881],
#		[ 0.26704305，0.59328414，0.73581471]])

3.数组操作

连接数组

多个数据库整合在一起形成一个包含这些数组的新数组（Numpy使用了栈这个概念，提供了几个运用栈概念的函数）

# vstack()函数执行垂直入栈操作，把第二个数组作为行添加到第一个数组，数组朝垂直方向生长。相反，hstack()函数执行水平入栈操作，也就是说把第二个数组作为列添加到第一个数组。
A= np. ones ((3，3))
B= np. zeros((3，3))
np.vstack((A，B))
# array([[ 1.,1.,1.],
#		 [ 1., 1., 1.],
#		 [ 1., 1., 1.],
#		 [ o., o., o.],
#  		 [ o., o., o.],
# 		 [ o., o., o.]])
np.hstack((A,B))
#array([[ 1., 1., 1., 0., 0., 0.],
#       [ 1., 1., 1., 0., 0., 0.],
#       [ 1., 1., 1., 0., 0., 0.]])

#另外两个用于多个数组之间栈操作的函数是column_stack()和row_stack()。这两个函数不同于上面两个。一般来讲，这两个函数把一维数组作为列或行压入栈结构，以形成一个新的二维数组。
a = np.array([0,1,2])
b = np.array([3,4,5])
C = np. array([6,7,8])
np.column_stack((a, b，c))
#array([[0,3,6],
#		[1,4,7],
#   	[2,5,8]])
np.row_stack((a, b，c))
#array([[0,1,2],
#		[3,4,5],
#   	[6,7,8]])

数组切分

在NumPy中,该操作要用到切分方法。同理,我们也有一组函数,水平切分用hsplit()函数，垂直切分用vsplit()函数。

A = np.arange(16).reshape((4，4))
# array([[ 0，1，2，3]，
#	    [ 4， 5，6，7]，
# 	    [8，9，10，11]，
# 	    [12，13，14，15]])

#水平切分
[B,C] = np.hsplit(A，2)
B
#array([[ 0，1],
#       [ 4，5],
#       [ 8，9],
#       [12，13]])
C
#array([[ 2，3],
#       [ 6，7],
#       [10，11],
#       [14，15]])

#垂直切分
>>>[B,c]= np.vsplit(A，2)
B
# array([[0,1,2,3],[4,5,6,7]])
C
# array([[ 8,9,10,11],[12,13,14,15]])

split()函数更为复杂，可以把数组分为几个不对称的部分。此外，除了传入数组作为参数外，还得指定被切分部分的索引。如果指定axis=1项，索引为列索引;如果axis=0，索引为行索引。

Strive-NUAA

python-numpy_条件布尔-变换操作