很简单，Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。如果接触过matlab、scilab，那么numpy很好入手。 在以下的代码示例中，总是先导入了numpy：（通用做法import numpu as np 简单输入）
>>> import numpy as np >>> print np.version.version 1.6.2
多维数组的类型是：numpy.ndarray。
使用numpy.array方法
以list或tuple变量为参数产生一维数组：
>>> print np.array([1,2,3,4]) [1 2 3 4] >>> print np.array((1.2,2,3,4)) [ 1.2 2. 3. 4. ] >>> print type(np.array((1.2,2,3,4))) <type 'numpy.ndarray'>
以list或tuple变量为元素产生二维数组或者多维数组：
>>> x = np.array(((1,2,3),(4,5,6))) >>> x array([[1, 2, 3], [4, 5, 6]]) >>> y = np.array([[1,2,3],[4,5,6]]) >>> y array([[1, 2, 3], [4, 5, 6]])
numpy ndarray数据类型可以通过参数dtype 设定，而且可以使用astype转换类型，在处理文件时候这个会很实用，注意astype 调用会返回一个新的数组，也就是原始数据的一份拷贝。
numeric_strings2 = np.array(['1.23','2.34','3.45'],dtype=np.string_) numeric_strings2 Out[32]: array(['1.23', '2.34', '3.45'], dtype='|S4') numeric_strings2.astype(float) Out[33]: array([ 1.23, 2.34, 3.45])
index 和slicing ：第一数值类似数组横坐标，第二个为纵坐标
>>> x[1,2] 6 >>> y=x[:,1] >>> y array([2, 5])
涉及改变相关问题，我们改变上面y是否会改变x？这是特别需要关注的！
>>> y array([2, 5]) >>> y[0] = 10 >>> y array([10, 5]) >>> x array([[ 1, 10, 3], [ 4, 5, 6]])
通过上面可以发现改变y会改变x ，因而我们可以推断，y和x指向是同一块内存空间值，系统没有为y 新开辟空间把x值赋值过去。
arr = np.arange(10) arr Out[45]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) arr[4] Out[46]: 4 arr[3:6] Out[47]: array([3, 4, 5]) arr[3:6] = 12 arr Out[49]: array([ 0, 1, 2, 12, 12, 12, 6, 7, 8, 9])
如上所示：当将一个标量赋值给切片时，该值会自动传播整个切片区域，这个跟列表最重要本质区别，数组切片是原始数组的视图，视图上任何修改直接反映到源数据上面。
思考为什么这么设计？ Numpy 设计是为了处理大数据，如果切片采用数据复制话会产生极大的性能和内存消耗问题。
假如说需要对数组是一份副本而不是视图可以如下操作：
arr_copy = arr[3:6].copy() arr_copy[:]=24 arr_copy Out[54]: array([24, 24, 24]) arr Out[55]: array([ 0, 1, 2, 12, 12, 12, 6, 7, 8, 9])
再看下对list 切片修改
l=range(10) l Out[35]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] l[5:8] = 12 Traceback (most recent call last): File "<ipython-input-36-022af3ddcc9b>", line 1, in <module> l[5:8] = 12 TypeError: can only assign an iterable l1= l[5:8] l1 Out[38]: [5, 6, 7] l1[0]=12 l1 Out[40]: [12, 6, 7] l Out[41]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
这里设计到python 中深浅拷贝，其中切片属于浅拷贝
arr2d = np.arange(1,10).reshape(3,3) arr2d Out[57]: array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) arr2d[2] Out[58]: array([7, 8, 9]) arr2d[0][2] Out[59]: 3 arr2d[0,2] Out[60]: 3
布尔型索引
这种类型在实际代码中出现比较多，关注下。
names = np.array(['Bob','joe','Bob','will']) names == 'Bob' Out[70]: array([ True, False, True, False], dtype=bool)
data Out[73]: array([[ 0.36762706, -1.55668952, 0.84316735, -0.116842 ], [ 1.34023966, 1.12766186, 1.12507441, -0.68689309], [ 1.27392366, -0.43399617, -0.80444728, 1.60731881], [ 0.23361565, 1.38772715, 0.69129479, -1.19228023], [ 0.51353082, 0.17696698, -0.06753478, 0.80448168], [ 0.21773096, 0.60582802, -0.46446071, 0.83131122], [ 0.50569072, 0.04431685, -0.69358155, -0.9629124 ]]) data[data < 0] = 0 data Out[75]: array([[ 0.36762706, 0. , 0.84316735, 0. ], [ 1.34023966, 1.12766186, 1.12507441, 0. ], [ 1.27392366, 0. , 0. , 1.60731881], [ 0.23361565, 1.38772715, 0.69129479, 0. ], [ 0.51353082, 0.17696698, 0. , 0.80448168], [ 0.21773096, 0.60582802, 0. , 0.83131122], [ 0.50569072, 0.04431685, 0. , 0. ]])
上面展示通过布尔值来设置值的手段。
在跑实验时经常需要用到读取文件中的数据，其实在numpy中已经有成熟函数封装好了可以使用
将数组以二进制形式格式保存到磁盘，np.save 、np.load 函数是读写磁盘的两个主要函数，默认情况下，数组以未压缩的原始二进制格式保存在扩展名为.npy的文件中
arr = np.arange(10) np.save('some_array',arr) np.load('some_array.npy') Out[80]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])存取文本文件：
文本中存放是聚类需要数据，直接可以方便读取到numpy array中，省去一行行读文件繁琐。
arr = np.loadtxt('dataMatrix.txt',delimiter=' ') arr Out[82]: array([[ 1. , 1. , 1. , 1. , 1. , 0.8125 ], [ 0.52882353, 0.56271186, 0.48220588, 0.53384615, 0.61651376, 0.58285714], [ 0. , 0. , 0. , 1. , 1. , 1. ], [ 1. , 0.92857143, 0.91857143, 1. , 1. , 1. ], [ 1. , 1. , 1. , 1. , 1. , 1. ], [ 0.05285714, 0.10304348, 0.068 , 0.06512821, 0.05492308, 0.05244898], [ 0.04803279, 0.08203125, 0.05516667, 0.05517241, 0.04953488, 0.05591549], [ 0.04803279, 0.08203125, 0.05516667, 0.05517241, 0.04953488, 0.05591549]])np.savetxt 执行相反的操作，这两个函数在跑实验加载数据时可以提供很多便利！！！
>>> print np.arange(15) [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] >>> print type(np.arange(15)) <type 'numpy.ndarray'> >>> print np.arange(15).reshape(3,5) [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] >>> print type(np.arange(15).reshape(3,5)) <type 'numpy.ndarray'>
例如，在从1到10中产生20个数：
>>> print np.linspace(1,10,20) [ 1. 1.47368421 1.94736842 2.42105263 2.89473684 3.36842105 3.84210526 4.31578947 4.78947368 5.26315789 5.73684211 6.21052632 6.68421053 7.15789474 7.63157895 8.10526316 8.57894737 9.05263158 9.52631579 10. ]
>>> print np.zeros((3,4)) [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]] >>> print np.ones((3,4)) [[ 1. 1. 1. 1.] [ 1. 1. 1. 1.] [ 1. 1. 1. 1.]] >>> print np.eye(3) [[ 1. 0. 0.] [ 0. 1. 0.] [ 0. 0. 1.]]
>>> a = np.zeros((2,2,2)) >>> print a.ndim #数组的维数 3 >>> print a.shape #数组每一维的大小 (2, 2, 2) >>> print a.size #数组的元素数 8 >>> print a.dtype #元素类型 float64 >>> print a.itemsize #每个元素所占的字节数 8
使用numpy下的vstack（垂直方向）和hstack（水平方向）函数：
>>> a = np.ones((2,2)) >>> b = np.eye(2) >>> print np.vstack((a,b)) [[ 1. 1.] [ 1. 1.] [ 1. 0.] [ 0. 1.]] >>> print np.hstack((a,b)) [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]]
看一下这两个函数有没有涉及到浅拷贝这种问题：
>>> c = np.hstack((a,b)) >>> print c [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]] >>> a[1,1] = 5 >>> b[1,1] = 5 >>> print c [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]]
通过上面可以知道，这里进行是深拷贝，而不是引用指向同一位置的浅拷贝。
数组对象自带了浅拷贝和深拷贝的方法，但是一般用深拷贝多一些：
>>> a = np.ones((2,2)) >>> b = a >>> b is a True >>> c = a.copy() #深拷贝 >>> c is a False
转置：
>>> a = np.array([[1,0],[2,3]]) >>> print a [[1 0] [2 3]] >>> print a.transpose() [[1 2] [0 3]]
numpy.linalg模块中有很多关于矩阵运算的方法：
特征值、特征向量：
>>> a = np.array([[1,0],[2,3]]) >>> nplg.eig(a) (array([ 3., 1.]), array([[ 0. , 0.70710678], [ 1. , -0.70710678]]))
