Numpy使用指南

1. ndarray數組基礎

Pyhton 中用列表保存一組值，可將列表當成是數組使用。此外，Python 有 array 模快，但他不支持多維數組，無論是列表還是 array 模塊都沒有科學運算函數，不適合做矩陣等科學計算。因此，Numpy沒有使用 Python 本身的數組機制，而是提供了 ndarray 數組對象，該對象不斷能方便的存取數組，而且擁有豐富的數組計算函數，比如向量的加法、減法、乘法等。

1.1 創建數組

創建數組是進行數組計算的先決條件，可以通過np.array()來定義數組實例對象，器參數為python中的列表對象，

a = np.array([1,2,4.0],[3,6,9])array([[ 1., 2., 4.], [ 3., 6., 9.]])

• a.dim 查看行數
• a.shape 查看元素形狀
• a.dtype 查看元素的類型
• a.astype(np.int64) 改變元素類型

1.2 特殊數組

Numpy的特殊數組主要有以下幾種：

• np.zeros((2,2)):創建全0數組
• np.ones((2,2)):創建全1數組
• np.empty((2,2)):類似於全0數組
• np.eye((2,2)):生成單位矩陣

1.3 序列數組

• np.arange函數：他與python的range函數用法相似:
• np.arange(1,20,5):array([ 1, 6, 11, 16])
• np.linspace(0,2,9):array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])

1.4 數組索引

numpy數組的每個元素，每行元素，每列元素都可以用索引訪問

1.5 numpy常用的函數介紹

1. 基本函數：
2. np.ndim:
3. np.shape:
4. np.size
5. np.dtype
6. np.itemsize
7. np.ones_like:
8. np.zeros_like:
9. np.full_like:
10. np.linespace:
11. np.concatenate:
12. 數組的維度變換：
13. np.reshape:
14. np.resize:
15. np.swapaxes(ax1,ax2):
16. np.flatten:
17. 數組的類型變換：
18. a.astype:
19. a.tolist:
20. 數組的索引與切片：
21. a[1:4:2] –> array([8, 6])
22. 數組的運算
23. np.abs(a):
24. np.fabs(a):
25. np.square(a):
26. np.log(a):
27. np.ceil(a):
28. np.rint(a):
29. np.modf(a):
30. np.exp(a):
31. np.sign(a):
32. np.maximum(a):
33. np.minimum(a):
34. np.mod(a,b):
35. np.copysign(a,b):

推薦閱讀：