numpy库常用的函数

1、数据构造

直接构造	np.array(列表)
创建等差数组	np.arange(开始值，结束值，间距，dtype=数据类型)
指定区间	np.linspace(起始值，终点值，数量)
产生随机数	np.random.random(维度)
全零矩阵	np.zeros(维度)
注：matrix（矩阵）和ndarray（数组）的区别: matrix对象的shape只能是二维的，而ndarray对象的shape可以是多维度的。 从array()函数到mat()函数用np.asmatrix()或np.mat() 从mat()函数到array()函数用np.asarray()

2、常用运算

array	点成*（各个矩阵对应元素做乘法）  A*B 矩阵乘  np.dot(A,B)
matrix	*：矩阵乘法 multiply():逐元素乘法
注：array类型和matrix类型对相同的运算使用的函数不同
最值的计算	a.min(axis=0/1)  axis=1按行，axis=0按列，axis无求整个矩阵的最值
求和的计算	a.sum()
修改形状	a=np.arange(0,60,5)  a.reshape(4,-1)
转置	a.T
展开	a.flatten(order=””)  #order=’C'按行，'F'按列，'A'原顺序
增加维度	np.newaxis:A[np.newaxis, np.newaxis, :].shape
去除长度为1的维度	A.squeeze()
矩阵广播	数组形状不同时
等值判断	A==1 判断A中各元素与1是否相等
对矩阵所有元素做与操作，所有为True则返回True	np.all(A)

    

3、扩展

累加前几项的和	np.add.accumulate(a)   #a的数据类型可为数值也可为字符串
与前面做逻辑运算	a = np.array([1,1,0,1])    np.logical_and.accumulate(a)
条件筛选	np.choose的用法A=np.array([[1,0,1],[2,1,0],[1,2,2]]) #把数组中0，1，2替换为10，11，12:np.choose(A, [10, 11, 12]) #替换为true，False：choices = [True, False]   np.choose(a, choices) #下面的例子将数组中所有小于 2的值变成10:np.choose(A < 2, (A, 10)) #控制在一个范围内：
连接矩阵	np.vstack((A,B)) np.hstack((A,B)) np.dstack((A,B))
拆分矩阵	np.hsplit(a,3)    #按水平轴分成三份 np.vsplit(a,2)    #按垂直轴分成两份
控制在上下限范围内	小于3的变3，大于4的变5：a.clip(3,4)
近似值	近似到小数点后一位：a.round(decimals=1)
索引的使用	非零元素的索引：np.where(A) 满足条件的索引：np.where(A>4)
获取满足条件的值	大于3的值：A[A>3] 索引为s(列表)的值：A[s] 根据布尔列表求值：Bool=np.array([1,0,0,0,1,1,0],dtype=bool)    A[Bool]
已排好序的列表新加一些数后排序	#searchsorted 接受两个参数，其中，第一个必需是已排序的数组。 #返回值对应插入的位置 sorted_array = linspace(0,1,5) values = array([.1,.8,.3,.12,.5,.25]) searchsorted(sorted_array, values)

4、文件交互txt文件：

读取：data = np.loadtxt('myfile.txt')

写入：np.savetxt(“test.txt”)