Python--Numpy库函数⽂档API
Numpy是科学计算库，是⼀个强⼤的N维数组对象ndarray，是⼴播功能函数。其整合C/C++.fortran代码的⼯具 ，更是Scipy、Pandas等的基础。在此对Numpy函数进⾏总结（包含注释）
.ndim ：维度
.shape ：各维度的尺度 （2，5）
.size ：元素的个数 10
.dtype ：元素的类型 dtype(‘int32’)
.itemsize ：每个元素的⼤⼩，以字节为单位 ，每个元素占4个字节
ndarray数组的创建python怎么读取dat文件
np.arange(n) ; 元素从0到n-1的ndarray类型
np.full(shape, val): ⽣成全为val
<(n) : ⽣成单位矩阵
np.full_like (a, val) : 同理
np.linspace（1,10,4）： 根据起⽌数据等间距地⽣成数组
np.linspace（1,10,4, endpoint = False）：endpoint 表⽰10是否作为⽣成的元素
数组的维度变换
.reshape(shape) : 不改变当前数组，依shape⽣成
.resize(shape) : 改变当前数组，依shape⽣成
.
swapaxes(ax1, ax2) : 将两个维度调换
.flatten() : 对数组进⾏降维，返回折叠后的⼀位数组
数组的类型变换
数据类型的转换 ：a.astype(new_type) : eg, a.astype (np.float)
数组向列表的转换： a.tolist()
数组的索引和切⽚
⼀维数组切⽚
a = np.array ([9, 8, 7, 6, 5, ])
a[1:4:2] –> array([8, 6]) ： a[起始编号：终⽌编号（不含）： 步长]
多维数组索引
a = np.arange(24).reshape((2, 3, 4))
a[1, 2, 3] 表⽰ 3个维度上的编号， 各个维度的编号⽤逗号分隔
多维数组切⽚
a [：，：，：：2 ] 缺省时，表⽰从第0个元素开始，到最后⼀个元素
数组的运算
np.abs(a) np.fabs(a) : 取各元素的绝对值
np.sqrt(a) : 计算各元素的平⽅根
np.square(a): 计算各元素的平⽅
np.log(a) np.log10(a) np.log2(a) : 计算各元素的⾃然对数、10、2为底的对数
np.rint(a) : 各元素 四舍五⼊
np.sign(a) : 计算各元素的符号值 1（+），0，-1（-）
.
np.maximum(a, b) np.fmax() : ⽐较（或者计算）元素级的最⼤值
np.minimum(a, b) np.fmin() : 取最⼩值
数据的CSV⽂件存取
CSV (Comma-Separated Value，逗号分隔值) 只能存储⼀维和⼆维数组
np.savetxt(frame, array, fmt=’% .18e’, delimiter = None): frame是⽂件、字符串等，可以是.gz .bz2的压缩⽂件； array 表⽰存⼊的数组； fmt 表⽰元素的格式 eg： %d % .2f % .18e ; delimiter： 分割字符串，默认是空格
eg： np.savetxt(‘a.csv’, a, fmt=%d, delimiter = ‘,’ )
np.loadtxt(frame, dtype=np.float, delimiter = None, unpack = False) : frame是⽂件、字符串等，可以是.gz .bz2的压缩⽂件；dtype：数据类型，读取的数据以此类型存储； delimiter: 分割字符串，默认是空格; unpack: 如果为True， 读⼊属性将分别写⼊不同变量。
多维数据的存取
eg: a = np.arange(100).reshape(5, 10, 2)
b.dat”, sep=”,”, format=’%d’)
np.fromfile(frame, dtype = float, count=-1, sep=’’)： frame： ⽂件、字符串 ； dtype： 读取的数据以此类型存储； count：读⼊元素个数， -1表⽰读⼊整个⽂件； sep: 数据分割字符串，如果是空串，写⼊⽂件为⼆进制
PS: a.tofile() 和np.fromfile（）要配合使⽤，要知道数据的类型和维度。
np.save(frame, array) : frame: ⽂件名，以.npy为扩展名，压缩扩展名为.npz ； array为数组变量
np.load(fname) : frame: ⽂件名，以.npy为扩展名，压缩扩展名为
np.save() 和np.load() 使⽤时，不⽤⾃⼰考虑数据类型和维度。
numpy随机数函数
numpy 的random⼦库
rand(d0, d1, …,dn) : 各元素是[0, 1）的浮点数，服从均匀分布
randn(d0, d1, …,dn)：标准正态分布
randint(low， high,（ shape）): 依shape创建随机整数或整数数组，范围是[ low, high）
seed(s) ： 随机数种⼦
shuffle(a) : 根据数组a的第⼀轴进⾏随机排列，改变数组a
permutation(a) : 根据数组a的第⼀轴进⾏随机排列， 但是不改变原数组，将⽣成新数组
choice(a[, size, replace, p]) : 从⼀维数组a中以概率p抽取元素， 形成size形状新数组，replace表⽰是否可以重⽤元素，默认为False。
eg：
replace = False时，选取过的元素将不会再选取
uniform(low, high, size) : 产⽣均匀分布的数组，起始值为low，high为结束值，size为形状
normal(loc, scale, size) : 产⽣正态分布的数组， loc为均值，scale为标准差，size为形状
poisson(lam, size) : 产⽣泊松分布的数组， lam随机事件发⽣概率，size为形状
eg: a = np.random.uniform(0, 10, (3, 4)) a = al(10, 5, (3, 4))
numpy的统计函数
sum(a, axis = None) : 依给定轴axis计算数组a相关元素之和，axis为整数或者元组
mean(a, axis = None) : 同理，计算平均值
average(a, axis =None, weights=None) : 依给定轴axis计算数组a相关元素的加权平均值
std（a, axis = None） ：同理，计算标准差
var（a, axis = None）: 计算⽅差
eg： np.mean(a, axis =1) ： 对数组a的第⼆维度的数据进⾏求平均
a = np.arange(15).reshape(3, 5)
np.average(a, axis =0, weights =[10, 5, 1]) : 对a第⼀各维度加权求平均，weights中为权重，注意要和a的第⼀维匹配
min(a) max(a) : 计算数组a的最⼩值和最⼤值
argmin(a) argmax(a) : 计算数组a的最⼩、最⼤值的下标（注：是⼀维的下标）
unravel_index(index, shape) : 根据shape将⼀维下标index转成多维下标
ptp(a) : 计算数组a最⼤值和最⼩值的差
median(a) : 计算数组a中元素的中位数（中值）
eg：a = [[15, 14, 13],
[12, 11, 10] ]
np.argmax(a) –> 0
np.unravel_index( np.argmax(a), a.shape) –> (0,0)
numpy的梯度函数
离散梯度： xy坐标轴连续三个x轴坐标对应的y轴值：a, b, c 其中b的梯度是（c-a）/2
⽽c的梯度是： (c-b)/1
当为⼆维数组时，np.gradient(a) 得出两个数组，第⼀个数组对应最外层维度的梯度，第⼆个数组对应第⼆层维度的梯度。
图像的表⽰和变换
PIL， python image library 库
from PIL import Image
Image是PIL库中代表⼀个图像的类（对象）
im = np.array(Image.open(“.jpg”))
im = Image.fromarray(b.astype(‘uint8’)) # ⽣成
im.save(“路径.jpg”) # 保存
im = np.array(Image.open(“.jpg”).convert(‘L’)) # convert(‘L’)表⽰转为灰度图

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。