numpy 关键字，几种基本运算 concatenate，newaxis本文已参与「新人创作礼」活动，一起开启掘金创作

本文已参与「新人创作礼」活动，一起开启掘金创作之路。

Trick:如果仅仅是爬虫，numpy基本用不上，不用在意

numpy 的属性:

numpy 的属性:

ndim：维度
shape：行数和列数

size：元素个数

array = np.array([[1,2,3],[2,3,4]])  #列表转化为矩阵
print(array)
"""
array([[1, 2, 3],
       [2, 3, 4]])
"""
 
 
print('number of dim:',array.ndim)  # 维度
# number of dim: 2
 
print('shape :',array.shape)    # 行数和列数
# shape : (2, 3)
 
print('size:',array.size)   # 元素个数
# size: 6

关键字

array：创建数组
dtype：指定数据类型
zeros：创建数据全为0
ones：创建数据全为1
empty：创建数据接近0
arrange：按指定范围创建数据
linspace：创建线段

numpy 的几种基本运算

其中的 argmin() 和 argmax() 两个函数分别对应着求矩阵中最小元素和最大元素的索引。相应的，在矩阵的12个元素中，最小值即2，对应索引0，最大值为13，对应索引为11。

中位数的函数：

print(A.median())

在cumsum()函数中：生成的每一项矩阵元素均是从原矩阵首项累加到对应项的元素之和。比如元素9，在cumsum()生成的矩阵中序号为3，

print(np.cumsum(A))

即原矩阵中2，3，4三个元素的和

相应的有累差运算函数：

print(np.diff(A))

nonzero()函数：

将所有非零元素的行与列坐标分割开，重构成两个分别关于行和列的矩阵。

print(np.nonzero(A))    
 
# (array([0,0,0,0,1,1,1,1,2,2,2,2]),array([0,1,2,3,0,1,2,3,0,1,2,3]))

np.concatenate()

当你的合并操作需要针对多个矩阵或序列时，借助concatenate函数可能会让你使用起来比前述的函数更加方便：

np.newaxis()

说完了array的合并，我们稍稍提及一下前一节中转置操作，如果面对如同前文所述的A序列，转置操作便很有可能无法对其进行转置（因为A并不是矩阵的属性），此时就需要我们借助其他的函数操作进行转置：

print(A[np.newaxis,:])
# [[1 1 1]]
 
print(A[np.newaxis,:].shape)
# (1,3)
 
print(A[:,np.newaxis])
"""
[[1]
[1]
[1]]
"""
 
print(A[:,np.newaxis].shape)
# (3,1)

numpy 关键字 ，几种基本运算 concatenate，newaxis

numpy 的属性:

关键字

numpy 的几种基本运算

np.concatenate()

np.newaxis()

numpy 关键字，几种基本运算 concatenate，newaxis