python 模块学习--Numpy

Numpy是Python的一个科学计算库，提供了矩阵运算的功能。安装方法可以直接使用pip install numpy命令，也可以在http://sourceforge.net/projects/numpy/files/NumPy/上下载与python相应版本的exe文件。

这里就记录下在学习和使用Numpy中所用过的一些函数方法，随时进行补充。
numpy的官方文档：http://docs.scipy.org/doc/numpy/reference/

1.导入Numpy

导入方法如下：

2.多维数组

使用numpy.arange

这是生成一维数组，如果是要生成多维数组，则再使用reshape函数,如下图：

这里就生成了一个5*2的数组

使用numpy.array

可以使用list列表或者tuple元组作为参数生成一维或多维数组

另外，还可以指定数据类型，如numpy.int32,numpy.int16,numpy.float64等等。

使用numpy.zeros,numpy.ones,numpy.eye函数可以生成特定的矩阵

使用mat函数可以将数组转化为矩阵

数组的属性

如上图所示，
ndim：表示数组的维度
shape：表示数组的行数和列数
size：表示数组的元素个数
dtype：表示数组的数据类型
itemsize：表示每个元素所占的字节数

tile函数可以用于扩充数组元素
tile（A，repl）可以用于扩充数组的元素，A表示需要扩充的矩阵或数组，而repl参数如果是一个数，表示对A中元素的重复次数，如果repl = （x,y)，则y表示对A中元素重复的次数，而x是对进行y次重复得到的数组所要扩充的次数，下图是官方的例子

3.numpy的argsort函数用法

通过help函数获取argsort函数的介绍，从介绍可以得知其返回的是数组值从小到大排序的索引值

这里也参考[numpy中argsort函数用法]这篇文章的介绍。
(http://www.aichengxu.com/view/15541)
以下分别是一维数组和二维数组的使用例子：

另外，对于二维数组还可以设置axis参数，当axis= 0 表示按列排序，而axis=1表示按行排序。

另外说到排序，还有两个常用的函数sort和sorted，详细内容请看：http://maoersong.blog.163.com/blog/static/171557351201424105925681/?newFollowBlog

4.对多维数组的索引

对多维数组的索引有以下几种方法：

（1）切割索引

import numpy as np# Slicing indexing# Create the following rank 2 array with shape (3,4)# [[1  2  3  4]#  [5  6  7  8]#  [9  10 11 12]]a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])# Use slicing to pull out the subarray consisting of the first 2 rows# and columns 1 and 2; b is the following array of shape (2,2):# [[2 3]#  [6 7]]b = a[:2, 1:3]# A slice of an array is a view into the same data, so modifying it# will modify the original arrayprint a[0,1]  # Prints "2"b[0, 0] = 55  # b[0, 0] is the same piece of data as a[0, 1]print a[0, 1] # Prints "55"

（2）整数索引

# Integer array indexing# The returned array will have shape(3,)print a[[0, 1 , 2], [2, 3, 2]]   # Prints "[ 3 8 11]"# The above example of integer array indexing is equivalent to this:print np.array([a[0, 2], a[1, 3], a[2, 2]]) # Prints "[ 3 8 11]"# When using integer array indexing, you can reuse the same# element from the source array:print a[[0, 0], [1, 1]]     # Prints "[2 2]"# Equivalent to the previous integer array indexing exampleprint np.array([a[0, 1], a[0,1]])  # Prints "[2 2]"

（3）布尔值索引

# Boolean array indexingbool_idx = (a > 3)  # Find the elements of a that are bigger than 3;                    # this returns a numpy array of Boolean of the same                    # shape as a, where each slot of bool_idx tells                    # whether that element of a is > 2print bool_idx      # Prints "[[False False False True]"                    #          [ True  True  True True]                    #          [ True  True  True True]]# We use boolean array indexing to construct a rank 1 array# consisiting of the elements of a corresponding to the True values# of bool_idxprint a[bool_idx]   # Prints "[ 4 5 6 7 8 9 10 11 12]"# We can do all of the above in a single concise statement:print a[a > 3]      # Prints "[ 4 5 6 7 8 9 10 11 12]"