这里介绍NumPy数组的常用操作
基本运算
逐元素运算
运算符将操作应用于数组中的每个元素，而不是把整个数组作为一个整体
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
| a = np.array([100,200,300])
b = np.array([1,2,3])
print(a+b)
print(a-b)
print(a/b)
print(a*b)
m = np.array([1,2,3])
n = np.array([9,3,2])
print(m**n)
|
向量点乘
当操作数均为 一维数组(向量) 时，可通过下述方式进行向量的点乘(内积)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
| import numpy as np
v1 = np.array([6,7,8])
v2 = np.array([3,1,2])
print(np.matmul(v1,v2))
print(v1@v2)
print(v1.dot(v2))
|
矩阵乘法
当操作数均为 二维数组(矩阵) 时，可通过下述方式进行矩阵的乘法
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
| import numpy as np
c = np.array([[1,2,3],[4,5,6]])
d = np.array([[1,2],[3,4],[5,6]])
print(c)
print(d)
print(np.matmul(c,d))
print(c@d)
print(c.dot(d))
|
统计分析
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
| import numpy as np
num = np.arange(12).reshape(2,6)
print(num)
print(num.min())
print(num.max())
print(num.sum())
print(num.mean())
print(np.median(num))
print(np.std(num))
print(np.var(num))
|
比较运算
比较运算符：会在数组上逐运算进行比较。并产生一个具有相同形状的布尔数组
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
| import numpy as np
num = np.array([[4,-8,2],[-1,-9,4]])
print(num)
print(num>0)
print(num==4)
|
数组查找
nonzero函数
返回数组中非零元素的索引信息。具体地：该函数的结果 使用多个索引数组来依次为各维度指定索引，然后通过元组将多个维度的索引数组组合到一起
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
| import numpy as np
num = np.array([
[0,0,23,np.inf],
[48,0,np.nan,0]
])
print( np.nonzero(num) )
print(num[0][2])
print(num[0][3])
print(num[1][0])
print(num[1][2])
|
argmin函数
返回数组中最小值的索引。当axis参数未指定时，则会将数组展平为一维数组进行查找
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| import numpy as np
num = np.array([
[61,19,23,21],
[38,27,26,72],
[48,37,16,25],
])
print(np.argmin(num))
print(np.argmin(num, axis=0))
print(np.argmin(num, axis=1))
|
argmax函数
返回数组中最大值的索引。当axis参数未指定时，则会将数组展平为一维数组进行查找
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| import numpy as np
num = np.array([
[61,19,23,21],
[38,27,26,72],
[48,37,16,25],
])
print(np.argmax(num))
print(np.argmax(num, axis=0))
print(np.argmax(num, axis=1))
|
nanargmin/nanargmax函数
由于np.nan值（非数字）的特殊性。故 argmin/argmax 函数的结果是第一个np.nan值的索引。而 nanargmin/nanargmax 函数在功能上与argmin/argmax函数一样，但在计算时会忽略np.nan值。当axis参数未指定时，则会将数组展平为一维数组进行查找
1
2
3
4
5
6
7
8
9
10
11
12
13
| import numpy as np
num = np.array([-1, np.nan, 7, 2, np.nan, 6, 81])
print(np.argmin(num))
print(np.argmax(num))
print(np.nanargmin(num))
print(np.nanargmax(num))
|
argsort函数
返回数组中元素按升序排序的索引。axis参数默认值为-1，即最后一个轴
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
| import numpy as np
num = np.array(
[
[41,17,23,14],
[19,93,22,13]
]
)
sort_index_col = np.argsort(num, axis=0)
print(sort_index_col)
sort_index_row = np.argsort(num, axis=1)
print(sort_index_row)
|
where函数
用于查找满足条件的元素，并返回这些元素的索引信息。具体地：该函数的结果：该函数的结果 使用多个索引数组来依次为各维度指定索引，然后通过元组将多个维度的索引数组组合到一起
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
| import numpy as np
num = np.array(
[
[5,3,4],
[1,2,6]
]
)
index = np.where(num>3)
print(index)
print(num[0][0])
print(num[0][2])
print(num[1][2])
|
此外，当同时提供三个参数 np.where(条件,x,y) 时，则会返回一个与原数组相同形状的数组。其中，满足指定条件的元素的位置处用x填充，不满足指定条件的元素的位置处用y填充
1
2
3
4
5
6
7
8
9
10
11
12
13
| import numpy as np
num = np.array(
[
[5,3,4],
[1,2,6]
]
)
res = np.where(num>3, 996, -520)
print(res)
|
argwhere函数
用于查找满足条件的元素，并返回这些元素的索引信息。但其与where函数返回结果的形式不同，其返回的是一个二维数组。其中，每一行是满足条件的元素的各维度索引
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
| import numpy as np
num = np.array(
[
[5,3,4],
[1,2,6]
]
)
index = np.argwhere(num>3)
print(index)
print(num[0][0])
print(num[0][2])
print(num[1][2])
|
