前言

numpy还是蛮好用的，一直没记录，赶紧记录一下。

布尔运算

取出b的在a中大于4的索引的元素

a = np.array([1,2,3,44,4])
b = np.array([1,1,0,100,6])
print(a > 4)
print(b[a > 4])

输出：

拼接运算

np.c_[]、np.r_[]

import numpy as np
a = np.array([[1,2,3]])
b = np.array([[1,2,3]])
# 纵向拼接
c = np.r_[a, b]
# 横向拼接
d = np.c_[a, b]
print(c)
print(d)

输出：

np.hstack、np.vstack

import numpy as np
a = np.array([[1,2,3]])
b = np.array([[1,2,3]])
# 纵向拼接
c = np.vstack((a, b))
# 横向拼接
d = np.hstack((a, b))
print(c)
print(d)

输出：

矩阵运算

np.matmul(a, b)

矩阵乘法

import numpy as np
a = np.array([[1, 2],[2, 4]])b = np.array([[1, 1],[2, 2]])
c = np.matmul(a, b)
print(c)

输出：

np.multiply(a, b)

求对应元素点积

import numpy as np
a = np.array([[1, 2],[2, 4]])b = np.array([[1, 1],[2, 2]])
c = np.multiply(a, b)
print(c)

输出:

np.dot(a, b)

a = np.array([[1,2,2],[2,1,2]])
b = np.array([[1,2,3],[5,6,1]]).T
print(np.dot(a, b))

输出：

广播运算

当矩阵与一个常数进行运算时，会进行广播。
当维度相同时，则对应元素进行计算。

import numpy as np
a = np.array([[1, 2],[2, 4]])b = np.array([[1, 1],[2, 2]])
print(a - 1)
print(a - b)

输出：

使用numpy中的运算方法，当传入数组时，会自动进行对应元素进行计算

import numpy as np
a = np.array([[1, 2],[2, 4]])b = np.power(a, 2)
print(b)

输出：

维度运算

ndarry.ravel()、ndarry.flatten()、ndarry.reshape、ndarry.squeeze、np.expand_dims

import numpy as np
a = np.array([[[[1,2,3,4,6,8]]]])
aa = np.array([[[[1,2,3],[1,2,3]]]])
print(a.shape)
print(aa.shape)
b = a.ravel() # 展平成一维
bb = aa.ravel()
print(b.shape)
print(bb.shape)
c = a.flatten() # 展平成一维
print(c.shape)
d = a.reshape(-1, 2) # 自适应行*2列
print(d.shape)
e = aa.reshape(-1)
print(e.shape)
f = aa.squeeze() # 去除没用的维度
print(f.shape)
g = np.expand_dims(aa, axis=-1) # 升维
print(g.shape)

输出：

numpy生成随机索引

shuffle_indexes=np.random.permutation(100)
print(shuffle_indexes)

运行结果：

np.argmax

获取最大值得索引

import numpy as np
a = np.array([1,23,6,2,4])
print(np.argmax(a))