参考链接： Python中的numpy.amax

一、数组方法

创建数组：arange()创建一维数组；array()创建一维或多维数组，其参数是类似于数组的对象，如列表等

反过来转换则可以使用numpy.ndarray.tolist()函数，如a.tolist()

创建数组：np.zeros((2,3))，或者np.ones((2,3))，参数是一个元组分别表示行数和列数

对应元素相乘，a * b，得到一个新的矩阵，形状要一致；但是允许a是向量而b是矩阵，a的列数必须等于b的列数，a与每个行向量对应元素相乘得到行向量。

+ -  / 与 * 的运算规则相同。

数学上定义的矩阵乘法 np.dot(a, b)。如果形状不匹配会报错；但是允许允许a和b都是向量，返回两个向量的内积。只要有一个参数不是向量，就应用矩阵乘法。

（PS：总之就是，向量很特殊，在运算中可以自由转置而不会出错，运算的返回值如果维度为1，也一律用行向量[]表示）

读取数组元素：如a[0],a[0,0]

数组变形：如b=a.reshape(2,3,4)将得到原数组变为2*3*4的三维数组后的数组；或是a.shape=(2,3,4)或a.resize(2,3,4)直接改变数组a的形状

数组组合：水平组合hstack((a,b))或concatenate（（a,b）,axis=1）;垂直组合vstack((a,b))或concatenate（（a,b）,axis=0）;深度组合dstack((a,b))

数组分割（与数组组合相反）：分别有hsplit,vsplit,dsplit,split(split与concatenate相对应)

将np数组变为py列表：a.tolist()

数组排序（小到大）：列排列np.msort(a)，行排列np.sort(a)，np.argsort(a)排序后返回下标

复数排序：np.sort_complex(a)按先实部后虚部排序

数组的插入：np.searchsorted(a,b)将b插入原有序数组a，并返回插入元素的索引值

类型转换：如a.astype(int)，np的数据类型比py丰富，且每种类型都有转换方法

条件查找，返回满足条件的数组元素的索引值：np.where(条件)

条件查找，返回下标：np.argwhere(条件)

条件查找，返回满足条件的数组元素：np.extract([条件],a)

根据b中元素作为索引，查找a中对应元素：np.take(a,b)一维

数组中最小最大元素的索引：np.argmin(a)，np.argmax(a)

多个数组的对应位置上元素大小的比较：np.maximum(a,b,c,…..)返回每个索引位置上的最大值，np.minimum(…….)相反

将a中元素都置为b：a.fill(b)

每个数组元素的指数：np.exp(a)

生成等差行向量：如np.linspace(1,6,10)则得到1到6之间的均匀分布，总共返回10个数

求余：np.mod(a,n)相当于a%n，np.fmod(a,n)仍为求余且余数的正负由a决定

计算平均值：np.mean(a)

计算最大值：amax(a, axis=None, out=None, keepdims=False) 。Return the maximum of an array or maximum along an axis.

计算加权平均值：np.average(a,b),其中b是权重

计算数组的极差：np.pth(a)=max(a)-min(a)

计算方差（总体方差）：np.var(a)

标准差：np.std(a)

算术平方根，a为浮点数类型：np.sqrt(a)

对数：np.log(a)

修剪数组，将数组中小于x的数均换为x，大于y的数均换为y：a.clip(x,y)

所有数组元素乘积：a.prod()

数组元素的累积乘积：a.cumprod()

数组元素的符号：np.sign(a)，返回数组中各元素的正负符号，用1和-1表示

数组元素分类：np.piecewise(a,[条件]，[返回值])，分段给定取值，根据判断条件给元素分类，并返回设定的返回值。

判断两数组是否相等： np.array_equal(a,b)

判断数组元素是否为实数： np.isreal(a)

去除数组中首尾为0的元素：np.trim_zeros(a)

对浮点数取整，但不改变浮点数类型：np.rint(a)

二、数组属性

1.获取数组每一维度的大小：a.shape

2.获取数组维度：a.ndim

3.元素个数：a.size

4.数组元素在内存中的字节数：a.itemsize

5.数组字节数：a.nbytes==a.size*a.itemsize

6.数组元素覆盖：a.flat=1，则a中数组元素都被1覆盖

7.数组转置：a.T

不能求逆、求协方差、迹等，不适用于复杂科学计算，可以将array转换成matrix。

三、矩阵方法

创建矩阵：np.mat(‘…’)通过字符串格式创建，np.mat(a)通过array数组创建，也可用matrix或bmat函数创建

matrix不会自动转换行列向量。matrix的所有运算默认都是数学上定义的矩阵运算，除非用mutiply函数实现点乘。

创建复合矩阵：np.bmat(‘A B’,’AB’)，用A和B创建复合矩阵AB（字符串格式）

创建n*n维单位矩阵：np.eye(n)

矩阵的转置：A.T

矩阵的逆矩阵：A.I

计算协方差矩阵：np.cov(x)，np.cov(x,y)

计算矩阵的迹（对角线元素和）：a.trace()

相关系数：np.corrcoef(x,y)

给出对角线元素：a.diagonal()

四、线性代数

估计线性模型中的系数：a=np.linalg.lstsq(x,b),有b=a*x

求方阵的逆矩阵：np.linalg.inv(A)

求广义逆矩阵：np.linalg.pinv(A)

求矩阵的行列式：np.linalg.det(A)

解形如AX=b的线性方程组：np.linalg.solve(A,b)

求矩阵的特征值：np.linalg.eigvals（A）

求特征值和特征向量：np.linalg.eig(A)

Svd分解：np.linalg.svd(A)

五、概率分布

产生二项分布的随机数：np.random.binomial(n,p,size=…)，其中n,p,size分别是每轮试验次数、概率、轮数

产生超几何分布随机数：np.random.hypergeometric(n1,n2,n,size=…)，其中参数意义分别是物件1总量、物件2总量、每次采样数、试验次数

产生N个正态分布的随机数：np.random.normal(均值，标准差，N)

产生N个对数正态分布的随机数：np.random.lognormal(mean,sigma,N)

六、多项式

多项式拟合：poly= np.polyfit(x,a,n),拟合点集a得到n级多项式，其中x为横轴长度，返回多项式的系数

多项式求导函数：np.polyder(poly),返回导函数的系数

得到多项式的n阶导函数：多项式.deriv(m = n)

多项式求根：np.roots(poly)

多项式在某点上的值：np.polyval(poly,x[n]),返回poly多项式在横轴点上x[n]上的值

两个多项式做差运算： np.polysub(a,b)

七、Matpoltlib简单绘图方法

引入简单绘图的包import matplotlib.pyplot as plt，最后用plt.show()显示图像

基本画图方法：plt.plot(x,y)，plt.xlabel(‘x’)，plt.ylabel(‘y’)，plt.title(‘…’)

子图：plt.subplot(abc)，其中abc分别表示子图行数、列数、序号

创建绘图组件的顶层容器：fig = plt.figure()

添加子图：ax = fig.add_subplot(abc)

设置横轴上的主定位器：ax.xaxis.set_major_locator(…)

绘制方图：plt.hist(a,b)，a为长方形的左横坐标值，b为柱高

绘制散点图：plt.scatter(x,y,c = ‘..’,s = ..)，c表示颜色，s表示大小

添加网格线：plt.grid(True)

添加注释：如ax.annotate('x', xy=xpoint, textcoords='offsetpoints',xytext=(-50, 30), arrowprops=dict(arrowstyle="->"))

增加图例：如plt.legend(loc='best', fancybox=True)

对坐标取对数：横坐标plt.semilogx()，纵坐标plt.semilogy()，横纵同时plt.loglog()

[转载] python中numpy包使用方法总结相关推荐

1. [转载] Python中Numpy包的用法

   参考链接: Python中的Numpy.prod 一.数组方法 创建数组:arange()创建一维数组:array()创建一维或多维数组,其参数是类似于数组的对象,如列表等 反过来转换则可以使用num ...

2. [转载] Python中numpy.clip()；numpy.fabs()的用法；以及math.pow()的说明

   参考链接: Python中的numpy.absolute 在看一些关于关于数据分析的Python代码时,时常会出现一些方法不懂其意思,今天做个小小的说明关于: python中numpy.clip()方 ...

3. [转载] python 中numpy快速去除nan, inf的方法

   参考链接: Python中的numpy.isinf 参考文献Python快速转换numpy数组中Nan和Inf的方法 在使用numpy数组的过程中时常会出现nan或者inf的元素,可能会造成数值计算时 ...

4. [转载] python中numpy模块的around方法_更好地舍入Python的NumPy.around：舍入numpy的数组

   参考链接: Python中的numpy.round_ I am looking for a way to round a numpy array in a more intuitive fashion ...

5. [转载] [转载] python 中NumPy和Pandas工具包中的函数使用笔记（方便自己查找）

   参考链接: Python中的numpy.sinh 参考链接: Python中的numpy.less_equal 二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ...

6. [转载] python 中NumPy和Pandas工具包中的函数使用笔记（方便自己查找）

   参考链接: Python中的numpy.less_equal 二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ndarray, 具有矢量算术运算和复杂广播能力 ...

7. [转载] Python中NumPy简介及使用举例

   参考链接: Python中的numpy.invert NumPy是Python语言的一个扩展包.支持多维数组与矩阵运算,此外也针对数组运算提供大量的数学函数库.NumPy提供了与Matlab相似的功能 ...

8. [转载] python中numpy.concatenate()函数的使用

   参考链接: Python中的numpy.append numpy库数组拼接np.concatenate 原文:https://blog.csdn.net/zyl1042635242/article/d ...

9. [转载] python中numpy库的使用举例

   参考链接: Python Numpy 1.矩阵的创建 1.1 利用np.array()创建一个矩阵,注意array()里面是一个python列表或者元组 1.2 利用np.zeros()创建矩阵 1. ...

最新文章

1. AI杀入斗地主领域，快手开发DouZero对标AlphaZero，干掉344个AI获第一
2. 路由器和宽带路由器故障汇总！
3. 写给MongoDB开发者的50条建议Tip6
4. 支持向量机：Numerical Optimization
5. 探讨打造会呼吸的数据中心
6. oracle时间用法
7. 多路测量实时同步工作原理_MCC 134测量热电偶的工作原理
8. 下拉框输入模糊查询_RazorSQL for Mac(数据库工具查询)
9. router锚点和html锚点,hash模式下Vue-router页面返回锚点（scroll behavior）实现
10. Jeecg-Boot导入附件异常解决
11. vivo V15 Pro渲染图曝光 弹出式摄像头后置三摄
12. MySQL索引类型及创建
13. mock server java_MockServer 简单示例
14. =、:=、?=、+=
15. Revit 和 ArchiCAD 在软件设计理念方面的对比
16. 百度贴吧一键签到工具(android版)
17. 引入element组件插件
18. 前端面试题集锦——算法
19. html入门、结构、标签、列表、表格
20. docker超强总结，docker这一篇就够了

热门文章

1. Visual Studio 2019 C# 断点调试 凯撒密码，单码密码实现
2. 【2021牛客暑期多校训练营5】K King of Range（单调队列）
3. 2021 年百度之星·程序设计大赛 - 初赛二 1003 魔怔（并查集，联通性，欧拉回路）
4. 河津市新世纪计算机学校元旦晚会,运城最好的职中排名
5. mysql 创建索引 key_Mysql中创建索引的INDEX和KEY
6. 你能想到几种方式实现数组扁平化（越多越好）
7. 2017CCPC哈尔滨赛区总结
8. 玲珑杯round11-E：萌萌哒的第五题
9. 1195 巧妙推算走楼梯（宁波大学oj）
10. 多项式之和 Sn=a+aa+aaa+aaaa+.....+aaa.....aa(n个a）