numpy-100知识点

以下numpy-100题中涉及的一些知识点。

numpy-100涉及知识点广泛，适合复习和查漏补缺。

---

np.version, np.show_config:
获取numpy的版本和配置信息

np.info：
获取说明文档
例：np.info(np.add)

np.pad：
对数组填充
详细可见

np.nan：
nan=not a number
故：

输入	输出
0 * np.nan	nan
np.nan == np.nan	False
np.inf > np.nan	False
np.nan - np.nan	nan
0.3 == 3 * 0.1	False

np.unravel_index:
例子：考虑一个 (6,7,8) 形状的数组，其第100个元素的索引(x,y,z)是什么?

print(np.unravel_index(100,(6,7,8)))

np.tile：
将原矩阵横向、纵向地复制。
例子：用tile函数去创建一个 8x8的棋盘样式矩阵

Z = np.tile( np.array([[0,1],[1,0]]), (4,4))
print(Z)

np.dtype:
查询属性。
此外，还有定义类型。
例 ：创建一个将颜色描述为(RGBA)四个无符号字节的自定义dtype？

color = np.dtype([("r", np.ubyte, 1),
                  ("g", np.ubyte, 1),
                  ("b", np.ubyte, 1),
                  ("a", np.ubyte, 1)])

np.copysign:

numpy.copysign(array1,array2)       将第二个数组中值得符号复制给第一个数组中值

np.intersect1d：
找到两个数组的交集。

时间操作功能：
np.datetime64, np.timedelta64。
例：today = np.datetime64(‘today’, ‘D’) 查询今日日期
timedelta64数据类型用以补充datetime64。timedelta64的参数是一个数字，代表单位数，一个日期/时间单位，例如（D）ay，（M）onth，（Y）ear，（h）ours，（m）inutes或（s）其次。timedelta64数据类型还接受字符串“ NAT”代替“ Not A Time”值的数字。

取整：

print (np.floor(Z))
print (np.cell(Z)-1)
print (Z.astype(int))
print (np.trunc(Z))

np.ufunc.reduce:
Reduces array’s dimension by one, by applying ufunc along one axis.
add.reduce()=sum(),且在小数组求和中前者更快。

np.allclose, np.array_equal：
前者判断相近（相等），后者判断相等。

flags.writeable：
把数组变为只读。

Z = np.zeros(5)
Z.flags.writeable = False #把数组变为只读。
Z[0] = 1 #报错

打印数组中所有的值：

np.set_printoptions(threshold=np.nan)
Z = np.zeros((16,16))
print(Z)

np.meshgrid()：
生成网格点坐标矩阵。

np.genfromtxt：
读取txt。

数组索引：
np.ndenumerate：返回一个迭代器，生成数组坐标和值对。
np.ndindex:索引数组的N维迭代器对象。

np.bincount:
计数非负整数数组中每个值的出现次数。

np.bincount(np.array([0, 1, 1, 3, 2, 1, 7]))
array([1, 3, 1, 1, 0, 0, 0, 1])

np.unique:
去除数组中的重复数字,并进行排序之后输出。

np.diag:
当 np.diag(array) 中
array是一个1维数组时，结果形成一个以一维数组为对角线元素的矩阵。
array是一个二维矩阵时，结果输出矩阵的对角线元素。

多维切片之冒号和三个点：
None代表新增加一个维度。
…代表所有的冒号。

np.repeat:
将numpy数组重复。 numpy.repeat(a, repeats, axis=None)

np.cumsum:
numpy.cumsum(a, axis=None, dtype=None, out=None)
返回沿着给定轴的元素的累积和。
axis=0，按照行累加。
axis=1，按照列累加。
axis不给定具体值，就把numpy数组当成一个一维数组。

**注意：**cumsum(b)[-1] 可能不等于 sum(b)

因为sum直接将每个数字单独加到结果上。

>>>	b = np.array([1, 2e-9, 3e-9] * 1000000)
>>>	b.cumsum()[-1]
1000000.0050045159
>>>	b.sum()                    
1000000.0050000029