本篇只是学习NumPy时的一本记录本，仅用于本人记录不熟点和未知点，后续回顾使用。
编辑器：Jupyter Notebook
ipykernel:Python3
使用linspace/logspace生成
np.linspace(开头，结尾，数量)
linspace更适用于生成一个线性数据局
而logspace(开头，结尾，数量，base=底数)
logspace更适用于生成一个指数函数数据
#导入matlab的python库
import matplotlib.pyplot as plt
import numpy as np
#准备数据
N = 10
x = np.arange(N)#x轴数据
y1 = np.linspace(0,10,N)* 100#y轴数据
y2 = np.logspace(0,10,N,base=2)#y轴数据
#创建画布
plt.figure()
#将数据画入画布
plt.plot(x, y1, '*')
plt.plot(x, y2, 'o')
#显示画布
plt.show()
矩阵元素判断
构建矩阵并进行元素判断
#创建矩阵
a = ((2,3),(3,4))
b = np.array(a,dtype=np.float32)
#创建元素判断结果矩阵，注意，矩阵在判断的时候，是对矩阵中的所有元素依次比较，并将结果以布尔矩阵进行返回
r = b>3
print(r)
'''
>>
result: array([[False, False],
[False, True]])'''
将返回的布尔矩阵进行判断
#承接上述代码,我们将返回的布尔矩阵进行判断
#此处使用的是逻辑运算,any()/all() 注意：不能使用if进行判断，因为它是矩阵！！！
#any()为只要有true，就返回true
print(r.any())
>>False
#all()需要所有元素都为true，才返回true
print(r.all())
>>True
创建全0或全1矩阵
#np.zeros(维数)
#np.ones(维数)
#np.zeros/ones_like(矩阵)
print(np.ones((2,3,5)))
print('\n\n')
print(np.zeros((2,3,5)))
print(np.ones_like(np.zeros((2,3,5))))
random生成
#生成范围为0~1的连续均匀分布的随机数
np.random.rand(2,3)
#生成指定上下界的连续分布
np.random.uniform(-1,1,(2,3))
#规范点是创建一个随机数生成器，后续创建随机数时使用rng为前缀
rng = np.random.default_rng(1)
rng.uniform(low=-1,high=1,size=(3,4))
#使用生成器创建正态分布和均匀分布
#正态分布，loc分布的均值，scale分布的标准差,size输出值维度
rng.normal(loc=0.0,scale=1.0,size=(2,3))
#均匀分布,low\high为下\上界
#离散型
rng.integers(low=0,high=10,size=(2,3))
#连续性
rng.uniform(low=-1,high=10,size=(2,3))
numpy.random.shuffle(a):将数组a中的元素随机排列。numpy.random.permutation(a):将数组a中的元素随机排列，但不保持原有顺序。
将array保存为文件
# 直接将给定矩阵存为 a.npy
np.save('./data/a', np.array([[1, 2, 3], [4, 5, 6]]))
# 可以将多个矩阵存在一起，名为 `b.npz`
np.savez("./data/b", a=np.arange(12).reshape(3, 4), b=np.arange(12.).reshape(4, 3))
# 加载单个 array
np.load("data/a.npy")
# 加载多个，可以像字典那样取出对应的 array
arr = np.load("data/b.npz")
arr["a"]
arr['b']
元素统计和矩阵属性
矩阵属性
矩阵尺度
#查看矩阵维度
arr["b"].ndim
>>2
#查看矩阵每个维度的实际大小
arr['b'].shape
>>(4,3)
#矩阵元素个数
arr['b'].size
>>12
元素统计
#axis指定按行1还是列0查找符合元素
#最大数
arr['b'].max(axis = 1)
#最小数
arr['b'].min(axis = 1)
#注意：在深度学习中的很多情况下，是需要数据保持原有维度方便后续计算
#使用参数：keepdims=True来保持，不适用这个参数时，一般返回一维数据
arr['b'].min(axis = 1,keepdims=True)#保持了行维度
#或者使用amax()/amin()，来根据输入矩阵，按指定的行或列进行返回结果，但仍为一维
np.amin(arr['b'],axis=0,keepdims=True)
#中位数
np.median(arr['b'])
#分位数
#分位数是将数据分成相等部分的值，通常用于描述数据的分布情况和比较不同数据集之间的差异。
# 分位数，按行取 3/4，同时保持维度
np.quantile(arr['b'], q=0.75, axis=1, keepdims=True)
分位数解释：
分位数(Quartile)是将一组数据分成四个部分的统计量，也称为四分位数。它表示了数据的中间50%的范围，即第25个百分位数和第75个百分位数之间的值。
例如，如果一个样本有100个数据点，那么可以将它们分成四组，每组包含25个数据点。
第一组包含最小值和第二小值，第二组包含第二小值和第三小值，第三组包含中位数和第四小值，第四组包含最大值和中位数。
这四个部分分别对应着第一四分位数、第二四分位数、中位数和第三四分位数。
元素计算
#需要注意的是，以下函数都可以指定按行或列进行计算
#平均值
np.average(arr['b'],axis=1)
#求和
np.sum(arr['b'])
#累计求和
np.cumsum(arr['b'],axis=1)
#标准差
np.std(arr['b'])
#方差
np.var(arr['b'],axis=1)
分解和组合
转置
#二维常用
arr.T
#三维以上
np.transpose(arr)
#当transpose指定列数交换顺序时
#如：交换2、3列元素
np.transpose(arr.reshape(4,1,3,1),axes=(0,2,1,3))
切片和索引
切片和索引是通过对已有 array 进行操作而得到想要的「部分」元素的行为过程。其核心动作可以概括为：按维度根据 start:stop:step 操作 array。
不进行处理的维度统一使用:或...代替，如：arr[::,-1]==arr[...,-1]
#有几行就有几个:
#比如二维的矩阵，为arr[:,:] == arr[::] == arr[:]
#:表示取连续的数据
arr[:,1]
#[,]表示取离散型的数据
arr[:,[1,2]]