一、numpy的基础操作

1、改变数组形状

（1）.T 方法：转置，例如原来形状为（2，3）/（2，3，4）转置为（3，2）/（4，3，2），一维数组转置后不变。

a = np.arange(5)
print(a,‘\n‘,a.T)
b = np.ones((2,3))
print(b,‘\n‘,b.T)

#运行结果
[0 1 2 3 4] 
 [0 1 2 3 4]
[[ 1.  1.  1.]
 [ 1.  1.  1.]] 
 [[ 1.  1.]
 [ 1.  1.]
 [ 1.  1.]]

（2）.reshape()方法：不改变数组元素，返回一个新的形状的数组，原数组不变

a = np.arange(10)
a1 = a.reshape((2,5))     #直接改变已有的数组
print(‘a = ‘,a)           #原数组不变
print(‘a1 = ‘,a1)
a2 = np.ones((4,6)).reshape((3,8))       #生成数组直接改变形状
print(‘a2 = ‘,a2)
a3 = np.reshape(a,(5,2))      #.reshape(a, newshape） 改变数组a的形状为newshape
print(‘a3 = ‘,a3)

#运行结果
a =  [0 1 2 3 4 5 6 7 8 9]
a1 =  [[0 1 2 3 4]
 [5 6 7 8 9]]
a2 =  [[ 1.  1.  1.  1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.]]
a3 =  [[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]

（3）.resize()方法：与.reshape()类似，但会改变原数组

a = np.arange(10)
a.resize((2,5))
print(a)                #改变了原来的数组a

#运行结果
[[0 1 2 3 4]
 [5 6 7 8 9]]

a = np.arange(10)
a1 = np.resize(a,(2,5))         #这样就不会改变原数组a，而生成新的数组a1
print(a)
print(a1)

#运行结果
[0 1 2 3 4 5 6 7 8 9]
[[0 1 2 3 4]
 [5 6 7 8 9]]

（4）.flatten()方法：对数组降维，返回一个一维数组，原数组不变

a = np.arange(9).reshape((3,3))
a1 = a.flatten()
print(a)
print(a1)

#运行结果
[[0 1 2]
 [3 4 5]
 [6 7 8]]
[0 1 2 3 4 5 6 7 8]

2、转换数组类型：new_a = a.astype(new_type)

a = np.arange(5,dtype = np.int)
a1 = a.astype(np.float)
print(a1,a1.dtype)
print(a,a.dtype)       #说明生成了一个新数组，而原数组不变

#运行结果
[0 1 2 3 4]
[ 0.  1.  2.  3.  4.] float64
[0 1 2 3 4] int32

3、数组的合并分拆和堆叠

（1）数组的复制：.copy()方法，生成新数组，并完全拷贝数据，与原数组不关联

a = np.arange(5)
a1 = a
print(a1 is a)
a1[0] = 9       #a1和a指向同一个值，同时会发生改变
print(a1,a) 

#运行结果
True
[9 1 2 3 4] [9 1 2 3 4]

a = np.arange(5)
a1 = a.copy()
print(a1 is a)
a1[0] = 9       #a1和a是不同的，没有相关联
print(a1,a)

#运行结果
False
[9 1 2 3 4] [0 1 2 3 4]

 （2）数组的堆叠：.hstack()方法，水平方向堆叠数组；.vstack()方法，垂直方向堆叠数组；.stack()沿着某个轴堆叠数组。

a = np.arange(4)
b = np.arange(4,8)
c = np.hstack((a,b))            
d = np.vstack((a,b))
e = np.stack((a,b),axis = 1)     #axis是轴的参数
#a,b必须达到可以组合的形状，否则组合不了
print(a)
print(b)
print(c)
print(d)
print(e)

#运行结果
[0 1 2 3]
[4 5 6 7]
[0 1 2 3 4 5 6 7]
[[0 1 2 3]
 [4 5 6 7]]
[[0 4]
 [1 5]
 [2 6]
 [3 7]]

（3）数组拆分：.hslipt()方法，将数组按列拆分；.vslipt()方法，将数组按行拆分。两种方法输出的结果都为列表。

a = np.arange(16).reshape((4,4))
b = np.hsplit(a,2)
c = np.vsplit(a,2)
print(a)
print(b,type(b))
print(c,type(c))

#运行结果
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]
[array([[ 0,  1],
       [ 4,  5],
       [ 8,  9],
       [12, 13]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11],
       [14, 15]])] <class ‘list‘>
[array([[0, 1, 2, 3],
       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
       [12, 13, 14, 15]])] <class ‘list‘>

4、数组的简单运算

a = np.arange(9).reshape((3,3))
print(a)
print(a + 10)    #加法
print(a - 1)     #减法
print(a * 2)     #乘法
print(a / 2)     #除法
print(a ** 2)    #幂乘

#运行结果
[[0 1 2]
 [3 4 5]
 [6 7 8]]
[[10 11 12]
 [13 14 15]
 [16 17 18]]
[[-1  0  1]
 [ 2  3  4]
 [ 5  6  7]]
[[ 0  2  4]
 [ 6  8 10]
 [12 14 16]]
[[ 0.   0.5  1. ]
 [ 1.5  2.   2.5]
 [ 3.   3.5  4. ]]
[[ 0  1  4]
 [ 9 16 25]
 [36 49 64]]

a = np.arange(9).reshape((3,3))
print(a)
print(a.mean())    #平均值
print(a.max())     #最大值
print(a.min())     #最小值
print(a.std())     #标准差
print(a.var())     #方差
print(a.sum())     #求和
print(np.sum(a,axis = 0))     #求列的和
print(np.sum(a,axis = 1))     #求行的和
print(np.sort(np.array([1,4,3,5,8])))    #排序

#运行结果
[[0 1 2]
 [3 4 5]
 [6 7 8]]
4.0
8
0
2.58198889747
6.66666666667
36
[ 9 12 15]
[ 3 12 21]
[1 3 4 5 8]

二、numpy的索引和切片

1、基本的索引和切片

（1）一维数组

a = np.arange(10)
print(a)
print(a[1])
print(a[1:4])

#运行结果
[0 1 2 3 4 5 6 7 8 9]
1
[1 2 3]

（2）二维数组

a = np.arange(12).reshape((3,4))
print(a)
print(a[1])      #第二行
print(a[1][1])   #第二行、第二列的数
print(a[1:3])    #第二到第三行
print(a[2,2])    #第三行、第三列的数
print(a[:2,1:])  #从开始到第2行，从第二列到最后

#运行结果
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[4 5 6 7]
5
[[ 4  5  6  7]
 [ 8  9 10 11]]
10
[[1 2 3]
 [5 6 7]]

2、更改、复制索引和切片的值

（1）更改。把标量值付给索引或切片时会自动改变原数组。

a = np.arange(5)
print(a)
a[1] = 100
print(a)

#运行结果
[0 1 2 3 4]
[  0 100   2   3   4]

（2）复制。运用.copy()方法，可以防止变动原数组

a = np.arange(5)
b = a.copy()
b[1] = 100
print(a)
print(b)

#运行结果
[0 1 2 3 4]
[  0 100   2   3   4]

3、布尔型索引和切片（后面的pandas判断矩阵就源于此）

a = np.arange(12).reshape((3,4))
i = np.array([True,False,True])
j = np.array([True,True,False,False])
print(a)
print(a[i,:])
print(a[:,j])

#运行结果
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[ 0  1  2  3]
 [ 8  9 10 11]]
[[0 1]
 [4 5]
 [8 9]]

三、numpy的随机数

1、np.random.rand(d0,d1,d2,......)，生成[0,1)之间的随机浮点数或浮点数组。

2、np.random.randn(d0,d1,d2,........)，生成服从正态分布的随机浮点数或浮点数组。

3、np.random.randint(low,hight = None,size = None)，生成整数或整数数组。当hight = None时，取[0,low)；当hight有取值时，取[low,hight)

a = np.random.rand(2,2)
b = np.random.randn(2,2)
c1 = np.random.randint(4,size = (2,2))
c2 = np.random.randint(4,7,(2,2))
print(a)
print(b)
print(c1)
print(c2)

#运行结果
[[ 0.21427936  0.631128  ]
 [ 0.49085549  0.2944278 ]]
[[ 0.53414493 -1.03783047]
 [-0.81749571  0.62813289]]
[[2 0]
 [0 2]]
[[6 6]
 [4 5]]

 四、numpy数据的输入输出

1、存储读取数据（.npy文件）

import numpy as np
import os

a = np.random.rand(2,2)
print(a)
np.save(‘C:\\Users\\yjj\\Desktop\\arrayrand.npy‘, a)      #保存数据
a_load = np.load(‘C:\\Users\\yjj\\Desktop\\arrayrand.npy‘)    #读取数据
print(a_load)

#运行结果
[[ 0.45866251  0.92471296]
 [ 0.84243829  0.22875525]]
[[ 0.45866251  0.92471296]
 [ 0.84243829  0.22875525]]

2、存储读取数据（.txt文件）

与存储读取.npy文件的方法类似，只是用到的是np.savetxt()方法和np.loadtxt()方法。