开发笔记:ndarray对象的使用方法

例如:
import numpy
ndarr1 = numpy.random.randint(0,10.size=5)
ndarr1[0] # 取数组中的第一个值, 以此类推
ndarr1[1]
ndarr1[-1]

例如:
nd = np.random.randint(0,10,size=(5,6))
nd
array([[0, 4, 7, 5, 9, 7],
[5, 3, 2, 9, 5, 5],
[9, 2, 6, 2, 7, 7],
[0, 3, 5, 4, 3, 9],
[9, 1, 9, 7, 1, 3]])
nd[0][0] # 普通的索引
# 整数数组索引
nd[0,0]
nd[-1,0]
nd[-1,]
# 往里一个维度 要同时 取出 0 2 4
nd[-1,[0,2,4]]
nd[-1,[4,2,0]] # 顺序任意 可以正向取 也可以反向取 还可以随便取 而且可以重复取
nd[-1,[2,4,0]]
nd[-1,[2,4,0,0,0,0]]

例如:
ndarr = np.random.randint(0,10,size=5)
ndarr
array([8, 6, 5, 3, 6])
ndarr[1:4]
ndarr[0:4]
ndarr[:4]
ndarr[:]

ndarr[:2]
# 切片也是 从外往里 一级一级切
ndarr[:,0:2]
ndarr[1:3,1:4]
ndarr[1:3,1:-1]

例如:
nd = np.random.randint(0,10,size=9)
nd
array([0, 0, 4, 9, 0, 3, 8, 6, 5])
nd[1:-1:2] # start:stop:step
nd[::-1]
nd[::-2]

nd = np.random.randint(0,10,size=(4,5))
nd
array([[2, 5, 0, 9, 6],
[0, 1, 3, 3, 8],
[5, 3, 9, 7, 8],
[6, 0, 9, 8, 8]])
nd.size
20
nd.reshape((5,4)) # 形状可以任意改变 但是size不能变化
nd.reshape((10,2))
nd.reshape((2,10))
# nd.reshape((5,5)) # 25
nd.reshape((20,1))
nd.reshape((-1,1)) # -1指的是自动计算的意思
nd.reshape((1,20))
nd.reshape((1,-1))

# 第一个参数 以元组的形式 传入要拼接的多个ndarr
np.concatenate((nd,nd)) # 默认按照纵向拼接
# 第二个参数 axis 用来指定 拼接方向
# np.concatenate((nd,nd),axis=0)
# np.concatenate((nd,nd),axis=1)
# np.concatenate((nd,nd),axis=-1) # -1是最里层
np.concatenate((nd,nd),axis=-2) #

# ary, indices_or_sections, axis=0
# ary 要切分的数组
# indices_or_sections 用来指定 分成几份 或者 从哪里分
# axis 用来指定切分的方向
np.split()

# 对于ndarray对象 凡是涉及到复制后改变 又不希望影响原数组的 都用copy （这是最保险的）
nd2 = nd.copy() # 深层copy

Function Name NaN-safe Version Description
np.sum np.nansum Compute sum of elements 所有元素的和
np.prod np.nanprod Compute product of elements 所有元素的乘积
np.mean np.nanmean Compute mean of elements
np.std np.nanstd Compute standard deviation
np.min np.nanmin Find minimum value
np.max np.nanmax Find maximum value
np.argmin np.nanargmin Find index of minimum value
np.argmax np.nanargmax Find index of maximum value
np.any N/A Evaluate whether any elements are true
np.all N/A Evaluate whether all elements are true

ndarr
array([[4, 5, 8, 3, 0],
[9, 4, 4, 1, 5],
[9, 6, 4, 0, 1],
[6, 1, 6, 4, 9]])
# 矩阵的点积
# A矩阵 和 B矩阵 做点积
# A矩阵是m行n列的矩阵
# B矩阵是i行j列的矩阵
# B的行数必须得等于A的列数 i要等于n
# 结果是一个 m行 j列的一个矩阵
ndarr2 = np.random.randint(0,10,size=(5,2))
ndarr2
array([[4, 4],
[0, 9],
[0, 8],
[1, 5],
[6, 2]])
np.dot(ndarr,ndarr2)

array([[ 19, 140],
[ 67, 119],
[ 42, 124],
[ 82, 119]])

示例:
nd = np.random.randint(0,100,size=15)
ndarr = np.random.randint(0,100,size=15)
ndarr
array([83, 57, 43, 83, 95, 73, 95, 7, 46, 26, 86, 47, 59, 45, 64])
# 10个数据库 里面分别有10000商品
# 计算销量最大的前三个
# a, kth a是要排序的数组 kth是要找最大的几个
# np.partition(ndarr,3) # k是3 表示寻找 最小的3个
# np.partition(ndarr,5) # 顺序可能是没有排好的 但是最前面的5个一定是最小的5个
np.partition(ndarr,-5)
np.partition(ndarr,-4)
array([46, 7, 43, 45, 59, 47, 26, 57, 64, 73, 83, 83, 95, 86, 95])