Numpy

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))

• 利用内循环赋值

 a = [0 for x in range(0, 1000)]  

数组元素

• np.take() 提取多个不连续的元素，对于一维数组来说，较为简单，不用指定维度。方法类似提取单个元素，如果a是一个numpy array，a.take(m,1)表示取每一行的第m个值；a.take(m,0)表示取第m行

print(a.take([1,3,4]))

数组运算

• argmin,argmax

数组中极值的位置

• clip(a,a_min,a_max)

array(a).clip(a_min.a_max)

• reduce,reduceat

reduceat 有点复杂 参见[1]

• 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

 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)) 
 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

• 布尔型数组取否运算 (~)

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 [2]

特殊数值 nan，inf

• isnan, isinf ，isnull

nan只能用isnan来判断

a=1/np.arange
sel=np.where(np.isinf(a))

• nan_to_num(x)

直接将nan数值替换为0

字符串数组

• dtype='str'
• 同时对每个元素操作见这里 https://docs.scipy.org/doc/numpy/reference/routines.char.html

• 字符串数组里面直接定位一个元素，用index会报错，用find返回的是一个布尔数组

解决办法：用tolist()再用index定位

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

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
• squeeze 把多维数组里面 为1的压缩，比如（1，2,2)变成（2，2）
• ravel(),把矩阵向量化

行向量，列向量

• 与数组不同的是行矢量是二维，提取某个参数时需要指定元素在两个维度下的位置如 a[0,0]代表两个维度中位置都为0的元素。

a=np.arange(10).reshape(1,-1)
print(a[0,-1])

broadcast

• 当两个数组的形状并不相同的时候，我们可以通过扩展数组的方法来实现相加、相减、相乘等操作，这种机制叫做广播（broadcasting）。 广播的原则：如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。 这句话乃是理解广播的核心。广播主要发生在两种情况，一种是两个数组的维数不相等，但是它们的后缘维度的轴长相符，另外一种是有一方的长度为1。

所以，一个（4,5）的矩阵可以直接和（5,)的向量相加，这时候，每行都加上这个数

一个(4,5)矩阵不能直接和(4,)的向量相加，这时候可以采用None标签来扩维，即扩展为（4,1)矩阵

a=np.arange(20).reshape((4,5))
b=np.ones(5)
c=np.ones(4)*2
print(a+b)
print(a+c[:,None]) #a+c会出错

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]