python numpy

numpy.ndarray

np.ndarray的属性

ndarray.shape # shape
ndarray.ndim # 维度
ndarray.size # 元素个数
ndarray.itemsize # size of the element in array
ndarray.dtype # type of the number in array，dtype可以是’S’,int等
ndarray.T # 转置

1	array[array>0].size #统计一个数组有多少个非零元素，不论array的维度是多少

常用方法

ndarray.transpose(axes) # 矩阵转置
ndarray.all()
ndarray.any()
ndarray.reshape(shape[, order]) # reshape
ndarray.resize(new_shape[, refcheck]) # resize
ndarray.tolist() # 转换为list
ndarray.squeeze([axis]) # 去掉为1的维度
ndarray.repeat(repeats, axis=None) # 重复数组元素，默认进行flatten返回一个一维数组
ndarray.flatten([order]) # flatten
ndarray.nonzero() # 返回非零元素的索引
ndarray.astype(‘S’) # 将整形数组改为字符型
ndarray.mean(axis=None, dtype=None, out=None) # 返回数组元素均值
ndarray.argmin(axis=None, out=None) # 返回最小元素的索引。
ndarray.argmax(axis=None, out=None) # 返回最大元素索引值
ndarray.min(axis=None, out=None) # 返回最小值
ndarray.round(decimals=0, out=None) # 将数组中的元素按指定的精度进行四舍五入

其他方法

ndarray.ptp()
ndarray.clip()
ndarray.swapaxes(axis1, axis2)
ndarray.var(axis=None, dtype=None, out=None, ddof=0) # 返回数组的方差
ndarray.std(axis=None, dtype=None, out=None, ddof=0) # 返回数则的标准差
ndarray.swapaxes(axis1, axis2) : 交换两个轴的元素后的矩阵.
ndarray.ravel([order]) :返回为展平后的一维数组.
ndarray.take(indices, axis=None, out=None, mode=’raise’):获得数组的指定索引的数据，如：
numpy.put(a, ind, v, mode=’raise’)：用v的值替换数组a中的ind（索引）的值。Mode可以为raise/wrap/clip。Clip：如果给定的ind超过了数组的大小，那么替换最后一个元素。
numpy.tile(A, reps)：根据给定的reps重复数组A，和repeat不同，repeat是重复元素，该方法是重复数组。
ndarray.prod(axis=None, dtype=None, out=None)：返回指定轴的所有元素乘机
ndarray.cumprod(axis=None, dtype=None, out=None)：返回指定轴的累积，如下：
ndarray.cumsum(axis=None, dtype=None, out=None)：返回指定轴的元素累计和。
ndarray.sum(axis=None, dtype=None, out=None)：返回指定轴所有元素的和
ndarray.trace(offset=0, axis1=0, axis2=1, dtype=None, out=None)：返回沿对角线的数组元素之和
ndarray.diagonal(offset=0, axis1=0, axis2=1)：返回对角线的所有元素。
ndarray.compress(condition, axis=None, out=None)：返回指定轴上条件下的切片。

numpy数组初始化

numpy.array()
numpy.zeros()
numpy.empty()
numpy.random()

numpy.array()

函数原型

np.array(
    object,
    dtype=None,
    copy=True,
    order=False,
    subok=False,
    ndim=0
)

numpy.zeros()

函数原型

np.zeros(
    shape,
    dtype=float,
    order='C'
)

代码示例

代码地址

np.zeros((3, 4),dtype='i')
``` 

### numpy.empty()
#### 函数原型
``` python
np.empty(
    shape,
    dtype=float,
    order='C'
)

代码示例

代码地址

1	np.empty((3, 4),dtype='f')

numpy.random

numpy.random.randn()

返回标准正态分布的一个样本
numpy.random.randn(d0, d1, …, dn)
例子

1	np.random.randn(3,4)

array([[ 0.47203644, -0.0869761 , -1.02814481, -0.45945482],
[ 0.34586502, -0.63121119, 0.35510786, 0.82975136],
[-2.00253326, -0.63773715, -0.82700167, 1.80724647]])

numpy.random.rand()

创建一个给定shape的数组，从区间[0,1)上的均匀分布中随机采样

create an array of the given shape and populate it with random samples from a uniform disctribution over [0,1)

numpy.random.rand(d0,d1,…,dn)
例子

1	np.random.rand(3,4)

numpy.random.random()

返回区间[0.0, 1.0)之间的随机浮点数

return random floats in the half-open interval [0.0,1.0)

numpy.random.random(size=None)
例子

1	np.random.random((3,4))

Note

注意，random.random()和random.rand()实现的功能都是一样的，就是输入的参数不同。见参考文献[1]。

numpy.random.ranf()

我觉得它和random.random()没啥区别

numpy.random.randint()

return random integers from low(inclusive) to high(exclusive),[low,high) if high is None,then results are from [0,low)

numpy.random.randint(low,high=None,size=None,dtype=‘l’)
例子

1 2	np.random.randint(3,size=[3,4]) np.random.randint(4,6,size=[6,2])

numpy.random.RandomState()

class numpy.random.RandomState(seed=None)

这是一个类，给定一个种子，它接下来产生的一系列随机数都是固定的。每次需要重新产生随机数的时候，就重置种子。
通过一个例子来看：

import numpy as np
rdm = np.randrom.RandomState()
for i in range(3):
   rdm.seed(3)
   print(rdm.rand())
   print(rdm.rand())
   print(rdm.rand())
    print("\n")
# 0.9670298390136767
# 0.5472322491757223
# 0.9726843599648843

# 0.9670298390136767
# 0.5472322491757223
# 0.9726843599648843

# 0.9670298390136767
# 0.5472322491757223
# 0.9726843599648843

# 0.9670298390136767
# 0.5472322491757223
# 0.9726843599648843

# 0.9670298390136767
# 0.5472322491757223
# 0.9726843599648843

创建bool类型数组

np.ones([2, 2], dtype=bool)
np.zeros([2, 2], dtype=bool)

np.random

np.random.binomial

函数原型

numpy.random.binomial(
	n, 
	p, 
	size=None
)

介绍

二项分布，共有三个参数，前两个是必选参数，第三个是可选参数。$n$是实验的个数，比如同时扔三枚硬币，这里就是$n=3$,$p$是为$1$的概率。$size$是总共进行多少次实验。
返回值是在每次试验中，trival成功的个数。如果是一个scalar，代表$size=1$，如果是一个list，代表$size\gt 1$。

代码示例

import numpy as np

for i in range(10):
    rand = np.random.binomial(2, 0.9)
    print(rand)
# 可以看成扔2个硬币，每个硬币正面向上的概率是0.9,最后有几个硬币正面向上。
# 2
# 2
# 2
# 2
# 2
# 2
# 2
# 1
# 1
# 2

rand = np.random.binomial(3, 0.9, 5)
print(rand)
# 可以看成扔3个硬币，每个硬币正面向上的概率是0.9,最后有几个硬币正面向上。一共进行5次实验。
# [2 2 3 3 2]

np.random.choice

函数原型

numpy.random.choice(
    a,  # 1d array或者int，如果是一个数组，从其中生成样本；如果是一个整数，从np.arange(a)中生成样本
    size=None,  # output shape，比如是(m, n, k)的话，总共要m*n*k个样本，默认是None,返回一个样本。
    replace=True,   # 是否使用replacement，设置为False的话所有元素不重复。
    p=None  # 概率分布，相加必须等于1，默认是从一个均匀分布中采样。
)

代码示例

代码地址

import numpy as np

a0 = np.random.choice([8, 9, -1, 2, 0], 3)
print(a0)

# 从np.arange(5)从使用均匀分布采样一个shape为4的样本
a1 = np.random.choice(5, 4)
print(a1)

a2 = np.random.choice(5, 8, p=[0.1, 0.2, 0.5, 0.2, 0])
print(a2)

# replace 设置为False，相当于np.random.permutation()
a3 = np.random.choice([1, 2, 3, 8, 9], 5, replace=False)
print(a3)

np.random.permutation

函数原型

1
2
3

np.random.permutation(
    x   # int或者array，如果是int，置换np.arange(x)。如果是array，make a copy，随机打乱元素。
)

简介

对输入序列进行排列组合，如果输入是多维的话，只会在第一维重新排列。

代码示例

代码地址

import numpy as np


a1 = np.random.permutation(9)
print(a1)

a2 = np.random.permutation([1, 2, 4, 9, 8])
print(a2)

a3 = np.random.permutation(np.arange(9).reshape(3, 3))
print(a3)

np.random.normal

函数原型

numpy.random.normal(loc=0.0, scale=1.0, size=None)  
loc:float，正态分布的均值，对应着整个分布的center
scale:float，正态分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高
size:int or tuple of ints，输出的shape，默认为None，只输出一个值
np.random.randn(size)相当于np.random.normal(loc=0, scale=1, size)

np.argsort

函数原型

numpy.argsort(a, axis=-1, kind=‘quicksort’, order=None)
axis:对哪个axis进行排序，默认是-1

功能

将数组排序后（默认是从小到大排序），返回排序后的数组在原数组中的位置。

参考文献

1.https://stackoverflow.com/questions/47231852/np-random-rand-vs-np-random-random
2.https://stackoverflow.com/questions/21174961/how-to-create-a-numpy-array-of-all-true-or-all-false
3.https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.choice.html
4.https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.permutation.html
5.https://www.cnblogs.com/bonelee/p/7253966.html