#%%
# 使用 jupyter notebook 编写
"""
本章知识目录：
1.array()
2.astype()
3.shape
4.reshape()
5.arrange()
6.linspace()
7.logspace()
8.empty()
9.zeros()
10.ones()
11.fromfunction()
12.存取元素
13.切片和索引
14.对位运算
15.广播
16.结构数组
17.内置操作函数
18.线性代数模块linalg
19.随机模块random
"""
"""
考试：
结构（最最重要）
新建、删除、引用、索引
切片的使用
广播要满足的条件（什么情况下才会广播）
函数部分不会多考
"""
import numpy as np
#%%
# np.array() 创建一个ndarray数组
np_ar = np.array([[1, 2, 3], [4, 5, 6]])
print(type(np_ar))
print(np_ar)
#%%
# np.astype() 使ndarray对象转换为指定类型
a = np.array(['1', '2', '3'])
print(a)
a = a.astype('float')
print(a)
a = a.astype("int_")
print(a)
#%%
# ndarray_name.shape 获得数组维数
a = np.array([1, 2, 3])
print(a.shape)
print(a)
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(c.shape)
print(c)
c.shape = 4, 3
print(c.shape)
print(c)
c.shape = 2, -1 # 自动计算长度
print(c.shape)
print(c)
#%%
# ndarray_name.reshape() 改变数组维数
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
d = c.reshape((6, 2)) # 对象.reshape(维数的元组)
print(d.shape)
print(d) # c和d 共享一块内存
#%%
# np.arrange()类似于python的range函数
d = np.arange(0, 1, 0.1) # 起始值，终值，步长（包括起始值，不包括终值）
print(d)
#%%
# np.linspace()
e = np.linspace(1, 10, 10, endpoint=False) # endpoint=False 不包括终值
print(e) # np.linspace(start, stop, num, endpoint=True, ~)
e = np.linspace(1, 10, 10, endpoint=True) # endpoint=True 包括终值
print(e) # 相当于是等差数列
#%%
# np.logspace()
f = np.logspace(0, 2, 20) # 起始值，终值，数量
print(f)
# np.logspace(start, stop, num, endpoint=True, base=10, dtype)
# 创建等比数列，从base^start到base^stop的含有num个数
#%%
# np.empty(), np.zeros(), np.ones()
a = np.empty((2, 4), np.int) # 只分配内存，不初始化
print(a)
b = np.zeros((3, 1), np.float)
print(b)
c = np.ones((2, 3), np.str)
print(c)
#%%
# 使用frombuffer、fromstring、fromfile、fromfunction、~从字节、文件等创建数组
def func(i):
return i*2+1
a = np.fromfunction(func, (10,)) # 第一个参数为每个数组元素的函数，第二个参数为数组的大小
print(a)
#%%
a = np.arange(10)
print(a[5])
print(a[3:5]) # 与Python的标准方法相同
a[6] = 100
print(a)
#%%
"""
存取元素：
3种方式
"""
# 1.使用下标范围存取元素
a = np.arange(10)
b = a[5:]
# 与Python列表不同，numpy数组切片产生原数组的一个视图，共享同一块内存
print(a)
print(b)
b[2] = 100
print(b)
print(a)
#%%
# 2.使用整数序列
# 使用整数序列中的每个元素作为下标，整数序列可以是列表或数组，获得的新数组，不与原数组共享内存空间
a = np.arange(10, 100, 10)
print(a)
b = a[[3, 7, 4, 2]]
print(b)
b = a[np.array([1, 2, 4])]
print(b)
b[2] = 1000
print(a)
print(b)
a[[1, 2, 3]] = -1, -2, -3 # 可以使用整数序列修改元素
print(a)
#%%
# 3.使用布尔数组
# 将使用布尔数组为True的对应下标的原数组中的元素
# 新产生的数组不与原数组共享相同的空间，只能只用布尔数组，不能使用布尔列表
a = np.arange(5, 0, -1)
print(a)
x = np.random.rand(10)
print(x)
x = x[x>0.6]
print(x)
a = np.array([1, 2, 3])
b = np.array([3, 2, 1])
print(a > b)
a = a[a==b]
print(a)
#%%
"""
切片和索引：
切片索引：切片索引和对列表list的切片索引相似，
不过由原本的一维切片变为多维
"""
a = np.array([range(6), range(6), range(6),
range(6), range(6), range(6)]) # range()函数的返回值就是列表
print(a)
print(len(a)) # 长度还是有的
count = 0
for i in range(6):
for j in range(6):
a[i, j] = count
count = count + 1
count = (i+1) * 10
print(a)
print(a[0, 3:5])
print(a[4:, 4:])
print("=====")
print(a[:, 2])
print(a[2::2, ::2])
print("=====") # 接下来是另一种情况
print(a[(0,1,2,3,4),(1,2,3,4,5)])
"""
用于存取数组的下标和仍然是一个有两个元素的组元，
组元中的每个元素都是整数序列，分别对应数组的第0轴和第1轴。
从两个序列的对应位置取出两个整数组成下标：a[0,1],a[1,2],...,a[4,5]
"""
print(a[3, [0, 2, 5]])
"""
下标中的第0轴是一个范围，它选取第3行之后的所有行；
第1轴是整数序列，它选取第0, 2, 5三列
"""
print("=====")
a = np.array([1, 2, 3, 4, 5, 6])
print(a)
b = a[:3]
print(b)
b[1] = 100
print("b:", b) # 说明上述切片共用一块内存
print("a:", a)
a[1] = 200
print("a:", a)
print("b:", b)
#%%
"""
对位运算：
指ndarray进行加减乘除运算时，使对应位置的数值进行加减乘除运算
"""
a = np.array([[4, 5, 6], [7, 8, 9]])
print(a)
b = np.array([[2, 3, 4], [5, 6, 7]])
print(b)
print("=====")
print("a+b:", a+b)
print("a-b:", a-b)
print("axb:", a*b)
print("a/b:", a/b)
#%%
"""
广播：
1.当两个ndarray的维度不一致时，则没有对齐的维度上会分别执行对位运算，
这种机制叫做广播（broadcasting）
2.广播的原则：如果两个数组的后缘维度（trailing dimension，
即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，
则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。
3.广播主要发生在两种情况，一种是两个数组的维数不相等，
但是它们的后缘维度的轴长相符，另外一种是有一方的长度为1。
"""
# 数组维度不同，后缘维度的轴长相符
arr1 = np.array([[0, 0, 0],[1, 1, 1],[2, 2, 2], [3, 3, 3]]) #arr1.shape = (4,3)
arr2 = np.array([1, 2, 3]) #arr2.shape = (3,)
arr_sum = arr1 + arr2
print(arr_sum)
print("==========")
# 数组维度相同，其中有个轴为1
arr1 = np.array([[0, 0, 0],[1, 1, 1],[2, 2, 2], [3, 3, 3]]) #arr1.shape = (4,3)
arr2 = np.array([[1],[2],[3],[4]]) #arr2.shape = (4, 1)
arr_sum = arr1 + arr2
print(arr_sum)
#%%
""""
结构数组：
"""
persontype = np.dtype({'names':['name', 'age', 'weight'], 'formats':['S32','i', 'f']})
a = np.array([("Zhang",32,75.5), ("Wang",24,65.2)], dtype=persontype)
print(a.dtype)
print(a)
#%%
"""
内置操作函数：
1.数学函数
cos, cosh, sin sinh, tan, tanh 三角函数
arccos, arccosh, arcsin, arcsinh, arctan, arctanh 反三角函数
log 自然对数(e)
log10 基于10的对数
log2 基于2的对数
log1p 基于log(1+x)的对数
2.运算函数
diff(a, n=1, axis=1) 计算差分
a：输入矩阵
n：可选，代表要执行几次差值
axis：默认是最后一个
3.统计函数
提供了很多计算最大值、最小值、均值、中位数等统计量的函数
np.amax()、np.amin()、np.max()、np.min()、np.sum()、np.std()、
np.var()、np.mean()、np.median()、np.percentile()、np.average()
"""
# 数学函数
a = np.arange(1, 11)
print(a)
print(np.log(a))
# 运算函数
print(np.diff(a))
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.diff(a, axis=0)) # 对于二维矩阵，需要指明是对哪一个维度进行差分
# axis=0 纵轴 axis=1横轴（二维矩阵）
print(np.diff(a, 2, axis=0))
# 统计函数
#%%
"""
线性代数模块linalg：
特征值分解、Cholesky分解、SVD分解
"""
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = np.array([0, 1, 2])
print(np.linalg.norm(a)) # 计算矩阵a的范数
print(np.dot(a, b)) # 矩阵点积
print(np.trace(a)) # 矩阵的迹
print(np.linalg.det(a)) # 矩阵行列式值
print(np.linalg.matrix_rank(a)) # 矩阵的秩
c = np.array([[2, 1], [1, 2]])
u, v = np.linalg.eig(c) # 特征值分解
l = np.linalg.cholesky(c) # Cholesky分解
U, s, V = np.linalg.svd(c) # SVD分解，计算出的s需要重建为对角矩阵
S = np.array([[s[0], 0], [0, s[1]]])
print(S)
#%%
"""
随机模块random：
random.seed(666) 指定全局种子，
也可以使用random.RandomState(666) 的方式指定局部种子，
在指定局部种子的情况下，使用局部种子产生的随机数不改变
"""
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
