查看“Numpy”的源代码

http://bigsec.net/b52/scipydoc/numpy_intro.html

==ndarray==


*shape() #数组的形状，虽然len()可以运行
*size() #数组的总元素
*a=np.empty_like(b) #初始化一个和b数组一样shape的空数组
*产生序列数组 a=np.arange(20)
*合并两个数组 np.append(array1,array2)
*选择数组在某个范围之内 sel=np.where((wave < 6800) & (wave > 3800))


===数组运算===
*clip(a,a_min,a_max)
:array(a).clip(a_min.a_max)
*reduce,reduceat
:reduceat 有点复杂 参见[http://blog.chinaunix.net/uid-7596337-id-125815.html]
*unique
*sort    
*sum
:a=np.zeros([3,5])+1
:np.sum(a,1) #只对多维数组的某一个方向上求和
*roll    #平移
*array[::-1]  数组倒序
*np.hpstack： stack数组
*np.hsplit: split数组
  import numpy as np 
  print "Stacking and splitting array" 
  p = np.array([1.5, 2.5, 3.5, 4.5, 5.5, 6.5, 7.5, 8.5]) 
  q = np.array([2.35, 5.75, 7.75, 3.15]) 
  newa = np.hstack((p, q)) 
  print "newa: ", newa 
  r = np.hsplit(newa,3) # three equally shaped arrays 11 print "Array r:"
*percentile
:wout=np.percentile(flatchain,[16,50,84],0)  #flatchain 是二维数组，这是在一个维度上求其分布的范围
*按照数值大小分成等份的几个数组
 >>> a = np.array([3, 4, 2, 1])
 >>> >>> x[np.argpartition(x, 3)]
 array([2, 1, 3, 4])
 >>> np.partition(a, 3) #可以把3替换为一个数组，比如  （1,3)
 array([2, 1, 3, 4]) # that the value of the element in k-th position is in the position it would be in a sorted array

===数据类型===
*dtype
:dtype=object 比较好用，这样每个元素可以是另外一个数组，可以不等长。合并的时候可以采用 hstack的命令
 a1=np.arange(10)
 a2=np.arange(20)
 a=np.array([a1,a2],dtype=object)
 a3=np.hstack(a)

:dtype=str  字符串 (只能是一位字符）
:dype='S256'

*astype 装换格式（数组的dtype不能直接修改）
  >>> b = np.array([1.23,12.201,123.1])
  >>> b.dtype
  dtype('float64')
   >>> c = b.astype(int)


*可以自定义
 >>> t = dtype([('name', str, 40), ('numitems', numpy.int32), ('price',numpy.float32)])
 >>> itemz = array([('Meaning of life DVD', 42, 3.14), ('Butter', 13,2.72)], dtype=t)
*参见 [https://blog.csdn.net/Zhili_wang/article/details/81140282]

===特殊数值 nan，inf===
* isnan, isinf ，isnull
 a=1/np.arange
 sel=np.where(np.isinf(a))
* nan_to_num(x)
 直接将nan数值替换为0

===多维数组===
*极值
:Ha是是个二维map
 Hamax=Ha.max()
 xmax,ymax=np.unravel_index(np.argmax(Ha, axis=None), Ha.shape) #极值位置
*降维 Ha.flatten()
*Ha.reshape(-1) # 也可以达到降维的效果

===格式输出===
 x = np.random.random(10)
 np.set_printoptions(precision=3, suppress=True):
 print(x)
 print(np.array_str(x, precision=2))
 np.array2string(x, formatter={'float_kind':'{0:.3f}'.format})
 print(np.vectorize("%.2f".__mod__)(x))

*另外一个方法
 def ndprint(a, format_string ='{0:.2f}'):
    print [format_string.format(v,i) for i,v in enumerate(a)]

叠加标准输出：%r 不换行 %n 换行
 for n in range(30):
    sys.stdout.write("\r[{0}{1}]".format('#' * n, ' ' * (30 - n))) 

 for n in range(30):
    sys.stdout.write("\n[{0}{1}]".format('#' * n, ' ' * (30 - n)))

===简单文件存取===
*ndarray.tofile(self, fid, sep=”“, format=”%s”)
 数组的简单存取，比较方便可以用于多维数组（二进制格式）

*np.load(fname):

fname:文件，以.npy为扩展名，压缩扩展名为.npz
*np.save(fname,array)

*numpy.fromfile(file, dtype=float, count=-1, sep='')

*np.loadtxt(frame,dtype = np.float,delimiter = None,unpack = False)

*numpy.savetxt(fname, X, fmt=’%.18e’, delimiter=’ ‘, newline=’\n’, header=”, footer=”, comments=’# ‘)
 可以把一个数组一次性写入某个文件，但是第一个参数貌似必须是文件名，而且不能续写，写完后文件就被关闭。只能最多是2维数组

==vectorize==
*可以将只能对数值计算的函数，变成可以对数组计算，比如积分
 import scipy.integrate as integrate
   
     vec_expint=np.vectorize(expint) 
 def expint(t1,t2):
     return integrate.quad(CSFH,t1,t2)[0]

==随机数==
*random.rand(20,20)