import numpy as np
a = [1, 2, 3, 4] #
b = np.array(a) # array([1, 2, 3, 4])
type(b) # <type 'numpy.ndarray'>numpy.ndarrayb.shape(4,)b.argmax()3b.max() 4b.mean() 2.5c = [[1, 2], [3, 4]] # 二维列表
d = np.array(c) # 二维numpy数组d.shape(2, 2)d.size 4d.max(axis=0) # 找维度0，也就是最后一个维度上的最大值，array([3, 4])array([3, 4])d.max(axis=1) # 找维度1，也就是倒数第二个维度上的最大值，array([2, 4])array([2, 4])d.mean(axis=0) # 找维度0，也就是第一个维度上的均值，array([ 2., 3.])array([2., 3.])d.flatten() # 展开一个numpy数组为1维数组，array([1, 2, 3, 4])array([1, 2, 3, 4])np.ravel(c) # 展开一个可以解析的结构为 1 维数组，array([1, 2, 3, 4])array([1, 2, 3, 4])# 3x3的浮点型2维数组，并且初始化所有元素值为1
e = np.ones((3, 3), dtype=np.float)
print(e)
# 创建一个一维数组，元素值是把3重复4次，array([3, 3, 3, 3])
f = np.repeat(3, 4)
print(f)
# 2x2x3的无符号8位整型3维数组，并且初始化所有元素值为0
g = np.zeros((2, 2, 3), dtype=np.uint8)
print(g.shape) # (2, 2, 3)[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
[3 3 3 3]
(2, 2, 3)h = g.astype(np.float) # 用另一种类型表示l = np.arange(10) # 类似 range，array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
m = np.linspace(0, 6, 5)# 等差数列，0 到 6之间5个取值，array([ 0., 1.5, 3., 4.5, 6.])
p = np.array(
[[1, 2, 3, 4],
[5, 6, 7, 8]]
)
np.save('p.npy', p) # 保存到文件
q = np.load('p.npy') # 从文件读取a = np.arange(24).reshape((2, 3, 4))
b = a[1][1][1]
b17b1 = a[1, 1, 1]
b117用 : 表示当前维度上所有下标
c = a[:, 2, :]
carray([[ 8, 9, 10, 11],
[20, 21, 22, 23]])d = a[:, :, 1]
darray([[ 1, 5, 9],
[13, 17, 21]])用 ... 表示没有明确指出的维度
e = a[..., 1]
earray([[ 1, 5, 9],
[13, 17, 21]])f = a[:, 1:, 1:-1]
farray([[[ 5, 6],
[ 9, 10]],
[[17, 18],
[21, 22]]])平均分成3份
g = np.split(np.arange(9), 3)
g[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]按照下标位置进行划分
h = np.split(np.arange(9), [2, -3])
h[array([0, 1]), array([2, 3, 4, 5]), array([6, 7, 8])]-
vstack是指沿着纵轴拼接两个 array，vertical -
hstack是指沿着横轴拼接两个 array，horizontal - 更广义的拼接用
concatenate实现，horizontal 后的两句依次等效于vstack和hstack -
stack不是拼接而是在输入 array 的基础上增加一个新的维度
l0 = np.arange(6).reshape((2, 3))
l1 = np.arange(6, 12).reshape((2, 3))m = np.vstack((l0, l1))
marray([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])p = np.hstack((l0, l1))
parray([[ 0, 1, 2, 6, 7, 8],
[ 3, 4, 5, 9, 10, 11]])q = np.concatenate((l0, l1))
qarray([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])r = np.concatenate((l0, l1), axis=-1)
rarray([[ 0, 1, 2, 6, 7, 8],
[ 3, 4, 5, 9, 10, 11]])s = np.stack((l0, l1))
sarray([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])按指定轴进行转置
t = s.transpose((2, 0, 1))
tarray([[[ 0, 3],
[ 6, 9]],
[[ 1, 4],
[ 7, 10]],
[[ 2, 5],
[ 8, 11]]])默认转置将维度倒序，对于 2 维就是横纵轴互换
u = a[0].transpose() # 或者u=a[0].T也是获得转置
uarray([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])逆时针旋转90度，第二个参数是旋转次数
v = np.rot90(u, 3)
varray([[ 3, 2, 1, 0],
[ 7, 6, 5, 4],
[11, 10, 9, 8]])沿纵轴左右翻转
w = np.fliplr(u)
warray([[ 8, 4, 0],
[ 9, 5, 1],
[10, 6, 2],
[11, 7, 3]])沿水平轴上下翻转
x = np.flipud(u)
xarray([[ 3, 7, 11],
[ 2, 6, 10],
[ 1, 5, 9],
[ 0, 4, 8]])按照一维顺序滚动位移
y = np.roll(u, 1)
yarray([[11, 0, 4],
[ 8, 1, 5],
[ 9, 2, 6],
[10, 3, 7]])按照指定轴滚动位移
z = np.roll(u, 1, axis=1)
zarray([[ 8, 0, 4],
[ 9, 1, 5],
[10, 2, 6],
[11, 3, 7]])import numpy as np
# 绝对值，1
a = np.abs(-1)
# sin函数，1.0
b = np.sin(np.pi/2)
# tanh逆函数，0.50000107157840523
c = np.arctanh(0.462118)
# e为底的指数函数，20.085536923187668
d = np.exp(3)
# 2的3次方，8
f = np.power(2, 3)
# 点积，1*3+2*4=11
g = np.dot([1, 2], [3, 4])
# 开方，5
h = np.sqrt(25)
# 求和，10
l = np.sum([1, 2, 3, 4])
# 平均值，5.5
m = np.mean([4, 5, 6, 7])
# 标准差，0.96824583655185426
p = np.std([1, 2, 3, 2, 1, 3, 2, 0])广播
import numpy as np
a = np.array([
[1, 2, 3],
[4, 5, 6]
])
b = np.array([
[1, 2, 3],
[1, 2, 3]
])
'''
维度一样的array，对位计算
array([[2, 4, 6],
[5, 7, 9]])
'''
a + b
'''
array([[0, 0, 0],
[3, 3, 3]])
'''
a - b
'''
array([[ 1, 4, 9],
[ 4, 10, 18]])
'''
a * b
'''
array([[1, 1, 1],
[4, 2, 2]])
'''
a / b
'''
array([[ 1, 4, 9],
[16, 25, 36]])
'''
a ** 2
'''
array([[ 1, 4, 27],
[ 4, 25, 216]])
'''
a ** b
c = np.array([
[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[10, 11, 12]
])
d = np.array([2, 2, 2])
'''
广播机制让计算的表达式保持简洁
d和c的每一行分别进行运算
array([[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11],
[12, 13, 14]])
'''
c + d
'''
array([[ 2, 4, 6],
[ 8, 10, 12],
[14, 16, 18],
[20, 22, 24]])
'''
c * d
'''
1和c的每个元素分别进行运算
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
'''
c - 1array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])线性代数模块（linalg）
import numpy as np
a = np.array([3, 4])
np.linalg.norm(a)5.0b = np.array([
[1, 2, 3],
[4, 5, 6],
[7, 8, 9]
])
c = np.array([1, 0, 1])
# 矩阵和向量之间的乘法
np.dot(b, c) # array([ 4, 10, 16])
np.dot(c, b.T) # array([ 4, 10, 16])array([ 4, 10, 16])np.trace(b) # 求矩阵的迹，1515np.linalg.det(b) # 求矩阵的行列式值，00.0np.linalg.matrix_rank(b) # 求矩阵的秩，2，不满秩，因为行与行之间等差2d = np.array([
[2, 1],
[1, 2]
])
'''
对正定矩阵求本征值和本征向量
本征值为u，array([ 3., 1.])
本征向量构成的二维array为v，
array([[ 0.70710678, -0.70710678],
[ 0.70710678, 0.70710678]])
是沿着45°方向
eig()是一般情况的本征值分解，对于更常见的对称实数矩阵，
eigh()更快且更稳定，不过输出的值的顺序和eig()是相反的
'''
u, v = np.linalg.eig(d)print('矩阵 d 的特征值为： \n{}; \n\n特征向量为： \n{}.'.format(str(u), str(v)))矩阵 d 的特征值为：
[3. 1.];
特征向量为：
[[ 0.70710678 -0.70710678]
[ 0.70710678 0.70710678]].# Cholesky 分解并重建
l = np.linalg.cholesky(d)
larray([[1.41421356, 0. ],
[0.70710678, 1.22474487]])np.dot(l, l.T)array([[2., 1.],
[1., 2.]])e = np.array([
[1, 2],
[3, 4]
])
# 对不正定矩阵，进行 SVD 分解并重建
U, s, V = np.linalg.svd(e)
S = np.array([
[s[0], 0],
[0, s[1]]
])
np.dot(U, np.dot(S, V))array([[1., 2.],
[3., 4.]])随机模块（random）
随机模块包含了随机数产生和统计分布相关的基本函数，Python 本身也有随机模块 mmrandom，不过功能更丰富，还是来看例子：
import numpy as np
import numpy.random as random
# 设置随机数种子
random.seed(42)
# 产生一个1x3，[0,1)之间的浮点型随机数
random.rand(1, 3)array([[0.37454012, 0.95071431, 0.73199394]])# 产生一个[0,1)之间的浮点型随机数
random.random()0.5986584841970366# 下边4个没有区别，都是按照指定大小产生[0,1)之间的浮点型随机数array，不 Pythonic…
random.random((3, 3))
random.sample((3, 3))
random.random_sample((3, 3))
random.ranf((3, 3))array([[0.17052412, 0.06505159, 0.94888554],
[0.96563203, 0.80839735, 0.30461377],
[0.09767211, 0.68423303, 0.44015249]])# 产生 10 个 [1,6) 之间的浮点型随机数
5 * random.random(10) + 1array([1.59797123, 4.56622394, 4.80392524, 3.80638599, 4.8548359 ,
3.46897798, 3.61366415, 3.13770509, 1.12709563, 1.53945713])random.uniform(1, 6, 10)array([1.15714593, 4.18205206, 2.57177991, 3.54285346, 5.53783237,
2.24646115, 3.05191462, 4.77775569, 2.14399083, 1.38489955])# 产生10个[1,6)之间的整型随机数
random.randint(1, 6, 10)array([3, 3, 4, 2, 2, 5, 1, 5, 4, 4])# 产生2x5的标准正态分布样本
random.normal(size=(5, 2))array([[-0.41476463, -1.39874088],
[-0.34408054, 0.75078589],
[-0.32762518, -0.86159805],
[-0.2581848 , 0.46095562],
[-1.34938997, -1.01907279]])# 产生5个，n=5，p=0.5的二项分布样本
random.binomial(n=5, p=0.5, size=5)array([1, 3, 2, 3, 2])a = np.arange(10)
# 从a中有回放的随机采样7个
random.choice(a, 7)array([7, 5, 7, 8, 3, 0, 0])# 从a中无回放的随机采样7个
random.choice(a, 7, replace=False)array([6, 4, 7, 0, 2, 1, 5])# 对a进行乱序并返回一个新的array
b = random.permutation(a)
barray([7, 1, 4, 0, 9, 2, 8, 3, 6, 5])# 对 a 进行 in-place 乱序
random.shuffle(a)
aarray([3, 2, 9, 6, 0, 7, 1, 5, 4, 8])# 生成一个长度为 9 的随机bytes序列并作为 str 返回
random.bytes(9)b'\xddO\x99\xe0)\xed\x1e\xb2b'随机模块可以很方便地让我们做一些快速模拟去验证一些结论。比如来考虑一个非常违反直觉的概率题例子：一个选手去参加一个 TV 秀，有三扇门，其中一扇门后有奖品，这扇门只有主持人知道。选手先随机选一扇门，但并不打开，主持人看到后，会打开其余两扇门中没有奖品的一扇门。然后，主持人问选手，是否要改变一开始的选择？
这个问题的答案是应该改变一开始的选择。在第一次选择的时候，选错的概率是\(\frac{2}{3}\)，选对的概率是 \(\frac{1}{3}\)。第一次选择之后，主持人相当于帮忙剔除了一个错误答案，所以如果一开始选的是错的，这时候换掉就选对了；而如果一开始就选对，则这时候换掉就错了。根据以上，一开始选错的概率就是换掉之后选对的概率 \(\frac{2}{3}\)，这个概率大于一开始就选对的概率 \(\frac{1}{3}\)，所以应该换。虽然道理上是这样，但是还是有些绕，要是通过推理就是搞不明白怎么办，没关系，用随机模拟就可以轻松得到答案：
import numpy.random as random
random.seed(42)
# 做10000次实验
n_tests = 10000
# 生成每次实验的奖品所在的门的编号
# 0表示第一扇门，1表示第二扇门，2表示第三扇门
winning_doors = random.randint(0, 3, n_tests)
# 记录如果换门的中奖次数
change_mind_wins = 0
# 记录如果坚持的中奖次数
insist_wins = 0
# winning_door就是获胜门的编号
for winning_door in winning_doors:
# 随机挑了一扇门
first_try = random.randint(0, 3)
# 其他门的编号
remaining_choices = [i for i in range(3) if i != first_try]
# 没有奖品的门的编号，这个信息只有主持人知道
wrong_choices = [i for i in range(3) if i != winning_door]
# 一开始选择的门主持人没法打开，所以从主持人可以打开的门中剔除
if first_try in wrong_choices:
wrong_choices.remove(first_try)
# 这时wrong_choices变量就是主持人可以打开的门的编号
# 注意此时如果一开始选择正确，则可以打开的门是两扇，主持人随便开一扇门
# 如果一开始选到了空门，则主持人只能打开剩下一扇空门
screened_out = random.choice(wrong_choices)
remaining_choices.remove(screened_out)
# 所以虽然代码写了好些行，如果策略固定的话，
# 改变主意的获胜概率就是一开始选错的概率，是2/3
# 而坚持选择的获胜概率就是一开始就选对的概率，是1/3
# 现在除了一开始选择的编号，和主持人帮助剔除的错误编号，只剩下一扇门
# 如果要改变注意则这扇门就是最终的选择
changed_mind_try = remaining_choices[0]
# 结果揭晓，记录下来
change_mind_wins += 1 if changed_mind_try == winning_door else 0
insist_wins += 1 if first_try == winning_door else 0
# 输出10000次测试的最终结果，和推导的结果差不多：
# You win 6616 out of 10000 tests if you changed your mind
# You win 3384 out of 10000 tests if you insist on the initial choice
print(
'You win {1} out of {0} tests if you changed your mind\n'
'You win {2} out of {0} tests if you insist on the initial choice'.format(
n_tests, change_mind_wins, insist_wins
)
)You win 6616 out of 10000 tests if you changed your mind
You win 3384 out of 10000 tests if you insist on the initial choice
