生成随机数
随机数种子
np.random.seed(42)
设置显示小数点后两位
np.set_printoptions(precision=2)
产生元素为0到1，大小为4*3的随机数据矩阵
np.random.rand(4,3)
元素由标准正态分布产生，大小为4*3的随机数矩阵
np.random.randn(4,3)
元素为0到9的随机整数，大小为4*3的随机数矩阵
np.random.randint(0,10,(4,3))
元素由期望值为100，标准差为10的正态分布产生，大小为4*3的随机数矩阵
np.random.normal(100,10,(4,3))
元素由起始为10，终止为20的均匀分布产生，大小为4*3的随机数矩阵
np.random.uniform(10,20,(4,3))
元素由lambda为2的泊松分布产生，大小为4*3的随机数矩阵
np.random.poisson(2.0,(4,3))
随机打乱数组
np.random.permutation(10)
array([0, 7, 1, 3, 4, 2, 9, 5, 6, 8])
shuffle
permutation产生新数组，shuffle则打乱原始数组
np.random.shuffle(a)
重采样
np.random.choice([1, 2, 3],size=(4,3))
指定概率
np.random.choice(a,size=(4,3),p=a/np.sum(a))
矩阵点乘
元素乘法：np.multiply(a,b)
矩阵乘法：np.dot(a,b) 或 np.matmul(a,b) 或 a.dot(b) 或直接用 a @ b !
唯独注意：*，在 np.array 中重载为元素乘法，在 np.matrix 中重载为矩阵乘法!
在numpy和tensorflow中都是
y = w * x **
矩阵乘法
tf.matmul(w, x)
np.dot(w,x)
转化为ndarray :np.asarray、np.array
array和asarray都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。
生成等差数列
linspace()通过指定开始值、终值（包含终值）和元素个数创建表示等差数列的一维数组，
arange()通过指定开始值、终值(不包含终值)和步长创建表示等差数列的一维数组
沿着给定的(axis=0 by default)axis加入一系列数组
np.concatenate((a1,a2,...), axis=0, out=None)
axis=0\1\2
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b), axis=0)
> array([[1, 2],
[3, 4],
[5, 6]])
np.concatenate((a, b.T), axis=1)
> array([[1, 2, 5],
[3, 4, 6]])
np.concatenate((a, b), axis=None)
> array([1, 2, 3, 4, 5, 6])
沿垂直方向堆叠数组:np.vstack()
a = np.array([1, 2, 3]) # (1,3)
b = np.array([4, 5, 6])
np.vstack((a, b))
> array([[1, 2, 3],
[4, 5, 6]])
a = np.array([[1], [2], [3]]) # (3,1)
b = np.array([[2], [3], [4]])
np.vstack((a,b))
> array([[1],
[2],
[3],
[2],
[3],
[4]])
沿水平方向堆叠数组:np.hstack()
a = np.array((1,2,3))
b = np.array((2,3,4))
np.hstack((a,b))
> array([1, 2, 3, 2, 3, 4])
a = np.array([[1],[2],[3]])
b = np.array([[2],[3],[4]])
np.hstack((a,b))
> array([[1, 2],
[2, 3],
[3, 4]])
多维数组降为一维:np.ravel()、np.flatten()
np.flatten()返回一份拷贝，对拷贝所做修改不会影响原始矩阵，而np.ravel()返回的是视图，修改时会影响原始矩阵
增加一个一维 np.newaxis
x1 = np.array([1, 2, 3, 4, 5])
the shape of x1 is (5,)
x1_new = x1[:, np.newaxis]
now, the shape of x1_new is (5, 1)
插入ndarray元素np.append、 np.insert
x = np.array([1, 2, 3, 4, 5])
Y = np.array([[1,2,3],[4,5,6]])
x = np.append(x, [7,8]) # 秩为1的ndarray，也可通过列表一次添加多个
> x = [1 2 3 4 5 6 7 8]
v = np.append(Y, [[7,8,9]], axis=0) # 秩为2的ndarray，添加一行
q = np.append(Y,[[9],[10]], axis=1) # 秩为2的ndarray，添加一列; 当然也可添加两列 q = np.append(Y,[[9,99],[10,100]], axis=1)
>v =
[[1 2 3]
[4 5 6]
[7 8 9]]
> q =
[[ 1 2 3 9]
[ 4 5 6 10]]
x = np.array([1, 2, 5, 6, 7])
Y = np.array([[1,2,3],[7,8,9]])
x = np.insert(x,2,[3,4]) # 向秩为1的ndarray第三个元素前插入3和4
>x = [1 2 3 4 5 6 7]
w = np.insert(Y,1,[4,5,6],axis=0) # 向秩为2的ndarray第二行前，插入4,5,6
v = np.insert(Y,1,5, axis=1) # 向秩为2的ndarray前第二列前，插入5
>w =
[[1 2 3]
[4 5 6]
[7 8 9]]
>v =
[[1 5 2 3]
[7 5 8 9]]
删除ndarray元素np.delete
x = np.array([1, 2, 3, 4, 5])
Y = np.array([[1,2,3],[4,5,6],[7,8,9]])
x = np.delete(x, [0,4]) # 此处删除第一个和第五个(最后一个)元素
> x = [2 3 4]
w = np.delete(Y, 0, axis=0) # 此处删除第一行的元素
v = np.delete(Y, [0,2], axis=1) # 此处删除第一列和第三列(最后一列)的元素
>w =
[[4 5 6]
[7 8 9]]
>v =
[[2]
[5]
[8]]
矩阵比较
all（）操作就是对两个矩阵的比对结果再做一次与运算，而any则是做一次或运算
mgrid
a:b:cj
a=np.mgrid[-4:4:3j]
在[-4,4]区间内取3个值
a=np.mgrid[-4:4:3]
间隔为3取值
x, y = np.mgrid[1:3:3j, 4:5:2j]
x=array([[1., 1.],
[2., 2.],
[3., 3.]])
y=array([[4., 5.],
[4., 5.],
[4., 5.]])
meshgrid：网格
1、主要使用的函数为[X,Y]=meshgrid(xgv,ygv);
meshgrid函数生成的X，Y是大小相等的矩阵，xgv，ygv是两个网格矢量，xgv，ygv都是行向量。
X：通过将xgv复制length(ygv)行（严格意义上是length(ygv)-1行）得到
Y：首先对ygv进行转置得到ygv'，将ygv'复制（length(xgv)-1）次得到。
[X,Y] = meshgrid(1:3,10:14)
X = 1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
Y = 10 10 10
11 11 11
12 12 12
13 13 13
14 14 14
[X,Y]=meshgrid(1:3)
X = 1 2 3
1 2 3
1 2 3
Y = 1 1 1
2 2 2
3 3 3
x = np.linspace(-1, 1, 2)
y = np.linspace(-1, 1, 2)
print(x, y) # [-1. 1.]
x = np.meshgrid(x, y) # (20, 20) (20, 20)
print(x)
# [[-1. 1.]
# [-1. 1.]]
#
# [[-1. -1.]
# [ 1. 1.]]
条件语句
np.where(condition, [x, y])
这里三个参数,其中必写参数是condition(判断条件),后边的x和y是可选参数.那么这三个参数都有怎样的要求呢?
condition：array_like，bool ,当为True时，产生x，否则产生y
numpy.piecewise(x, condlist, funclist, *args, **kw)
参数一 x:表示要进行操作的对象
参数二：condlist，表示要满足的条件列表，可以是多个条件构成的列表
参数三：funclist，执行的操作列表，参数二与参数三是对应的，当参数二为true的时候，则执行相对应的操作函数。
返回值：返回一个array对象，和原始操作对象x具有完全相同的维度和形状
np.piecewise(t,[t<1,t<0.8,t<0.3],
[lambda t : np.sin(2*np.pi *f1*t),
lambda t : np.sin(2 * np.pi * f2 * t),
lambda t : np.sin(2 * np.pi * f3 * t)])
argsort
x = np.array([3, 1, 2])
np.argsort(x)
array([1, 2, 0])
x = np.array([[0, 3],
[2, 2]])
np.argsort(x, axis=0)
array([[0, 1],
[1, 0]])
np.argsort(x, axis=1)
array([[0, 1],
[0, 1]])
