# 导包 import numpy as np
numpy.array
nparr = np.array([i for i in range(10)]) nparr # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
zeros
.zeros(shape=(x,y), dtype=None, order='C')：返回来一个给定形状和类型的用 0 填充的数组；
ones
.ones(shape=(x,y), dtype=None, order='C')：返回来一个给定形状和类型的用 1 填充的数组；
full
.full(fill_value=数字, shape=(x,y))：返回来一个给定形状用 指定常数 填充的数组；
eye
.eye(N，M =无，k = 0，dtype = None，order ='C')：返回一个二维数组，其中对角线为1，零点为零，默认单位矩阵
shape: 数据尺寸、形状
dtype: 数据类型，可选参数，默认numpy.float64
order: 可选参数，C代表与c语言类似，行优先；F代表列优先
fill_value: 填充的常数
N: int，输出中的行数
M: int，可选参数，输出中的列数。如果无，默认为Ñ。
k: int，可选，对角线的索引：0（默认值）指的是主对角线，正值指的是上对角线，负值指的是下对角线
import numpy as np # 建立一维数组 np.zeros(10) # array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]) np.ones(10) # array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]) np.zeros(10, dtype=float) # array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]) # 建立一个矩阵（二维数组） np.zeros((3, 5)) # 参数全为0的浮点型 np.zeros(shape=(3, 5), dtype=int) np.full((3, 5), 666) np.eye(3, dtype=int) np.eye(3, k=1)
arange
- .arange(start, stop, step, dtype = None)：生成数组
- arange --> 数组
- range --> list
start: 开始位置，数字，可选项，默认起始值为0
stop: 停止位置，数字
step: 步长，数字，可选项， 默认步长为1，如果指定了step，则还必须给出start。
dtype: 输出数组的类型。 如果未给出dtype，则从其他输入参数推断数据类型
import numpy as np [i for i in range(0, 20, 2)] # [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] np.arange(0, 20, 2) # array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18]) np.arange(0, 1, 0.2) # array([0. , 0.2, 0.4, 0.6, 0.8]) np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
linspace
.linspace(start, stop, num=50,endpoint=True, retstep=True, dtype = None)：构造等差数列数组
start：开始数值
stop：结束数值
num：默认是50个样本点（数据），为正整数。
endpoint：默认为True，如果改为Fasle取不到右端点。
retstep：步长，如第一个数据和第第二个数据之间的距离。
dtype：可以设置数值类型，默认numpy.float64
import numpy as np np.linspace(2, 3, num=5) # array([2. , 2.25, 2.5 , 2.75, 3. ]) np.linspace(2, 3, 5, retstep=True) # (array([2. , 2.25, 2.5 , 2.75, 3. ]), 0.25) np.linspace(2, 3, 5, endpoint=False, retstep=True) # (array([2. , 2.2, 2.4, 2.6, 2.8]), 0.2)
random模块
随机抽样
rand
.random.rand(d0, d1, ... , dn)：均匀分布，生成随机浮点数或N维浮点数组∈[0, 1)
import numpy as np # 无参数 np.random.rand() # 随机生成一个浮点数：0.5693260707056654 # 一个参数 np.random.rand(5) #生成一个形状为5的一维数组 """ array([0.03033044, 0.77342689, 0.05433217, 0.09637677, 0.78388356]) """ #两个参数 np.random.rand(2,3) #生成2x3的二维数组 """ array([[0.62207475, 0.76152107, 0.8322783 ], [0.9625673 , 0.14159552, 0.04631563]]) """ # 三个参数 np.random.rand(2,3,4) # 生成2个3x4的二维数组的三维数组 """ array([[[0.69515825, 0.18253848, 0.94369687, 0.75510563], [0.96469044, 0.10572931, 0.57167311, 0.26631619], [0.25474511, 0.93999817, 0.49682046, 0.34514234]], [[0.59947499, 0.72308947, 0.80828931, 0.23145396], [0.21023288, 0.2578903 , 0.30873597, 0.57619749], [0.60353256, 0.02622591, 0.6148662 , 0.26888455]]]) """ # 注意：参数必须是整数,不能是元组
randn
.random.randn(d0, d1, ... , dn)：标准正态分布，生成随机浮点数或N维浮点数组∈(-∞, +∞)
np.random.randn(2,3) """ array([[ 1.20815015, -1.71343109, -0.09987136], [-0.33742606, 0.77209376, 0.18604608]]) """
randint
.random.randint(low, high=None, size=None, dtype='l')：离散均匀分布，生成整数或N维整数数组
high ≠ None时，∈[low,high)
high = None时，∈[0,low)
import numpy as np # 生成一个[0,2)之间随机整数 np.random.randint(2) # 1 # 生成形状为10的一维整数数组 --> [1,10)随机整数 np.random.randint(1,10, size=10) # array([2, 6, 1, 4, 2, 4, 5, 3, 9, 9]) #生成一个2x3整数数组 --> [2,6)随机整数 np.random.randint(2,6,(2,3)) # np.random.randint(2,6,size=(2,3)) """ array([[4, 3, 3], [3, 2, 5]]) """
seed
.random.seed(num)：具有预见性：如果使用相同的num，则每次生成的随机数都相同。当参数不同或者无参数时，作用与numpy.random.rand()函数相同，即多次生成随机数且每次生成的随机数都不同。
random
.random.random(size=None)：返回随机的浮点数∈[0, 1)
import numpy as np np.random.random(3) """ array([0.59252408, 0.37882179, 0.61683128]) """ np.random.random((3,4)) """ array([[0.51443445, 0.26071378, 0.17125182, 0.67260413], [0.11513209, 0.35772957, 0.79621782, 0.29822459], [0.19795992, 0.76367099, 0.25980888, 0.22451909]]) """
normal
.random.normal(loc=0.0, scale=1.0, size=None)：均值为loc，标准差为scale的正态分布∈(-∞, +∞)
import numpy as np ran = np.random.normal(0, 1, (3, 5)) ran """ array([[ 1.85322786, 1.13089185, -0.55186512, -1.58926526, -0.00656168], [ 0.44077735, -0.1599656 , -0.2450492 , 1.71447564, -0.1603678 ], [-0.0495362 , 0.30244281, 1.62018096, 0.31465292, 1.99379836]]) """ """ 均值：μ 方差：σ^2=(∑▒〖(X-μ)〗^2 )/N 标准差：s=√(σ^2 ) 协方差：σ^2=(∑▒〖(X-μ)〗^2 )/N-1 """ # 均值 ran.mean() # 方差 ran.var() # 标准差 ran.std(ddof=1) # 协方差 ran.cov()
permutation
.random.permutation(x)：随机打乱x中的元素。若x是整数，则打乱arange(x)，若x是一个数组，则将copy(x)的第一位索引打乱，意思是先复制x，对副本进行打乱处理，打乱只针对数组的第一维
np.random.permutation(5) # array([2, 1, 4, 3, 0]) np.random.permutation(5) # array([4, 3, 0, 2, 1]) np.random.permutation([[1,2,3],[4,5,6]]) """ array([[1, 2, 3], [4, 5, 6]]) """ np.random.permutation([[1,2,3],[4,5,6]]) """ array([[4, 5, 6], [1, 2, 3]]) """
shuffle
.random.shuffle(x)：与permutation类似，随机打乱x中的元素。若x是整数，则打乱arange(x)，但是shuffle会对x进行修改
a = np.arange(5) a # array([0, 1, 2, 3, 4]) np.random.shuffle(a) a # array([2, 4, 3, 1, 0])
choice
.random.choice(a, size=None, replace=True, p=None)： 从a（数组）中选取size（维度）大小的随机数，replace=True表示可重复抽取，p是a中每个数出现的概率，若a是整数，则a代表的数组是arange(a)
np.random.choice(5) # 2 # 随机在2或4中选一个 np.random.choice([2, 4]) # 2 # 选取2的概率为1，选取3的概率为0 np.random.choice([2, 3], p=[1, 0]) # 2 # 选取3的概率为0，选取5的概率为1 np.random.choice([3, 5], p=[0, 1]) # 5 # 从0-4随机抽取5个数，可重复抽取 np.random.choice(5, 5) # array([3, 0, 1, 3, 0]) # 从0-4随机抽取5个数，不可重复抽取 np.random.choice(5, 5, False) # rray([3, 0, 1, 4, 2]) np.random.choice(100, (2, 3, 5), False) """ array([[[29, 72, 13, 61, 45], [28, 86, 74, 52, 0], [76, 77, 60, 48, 12]], [[85, 99, 90, 46, 79], [64, 3, 57, 83, 87], [17, 59, 7, 16, 96]]]) """
bytes
.random.bytes(length)：生成随机字节
np.random.bytes(1) # b'\xd4' np.random.bytes(2) # b'\x9b\x8a'
uniform
.random.uniform(low,high,size)：从一个均匀分布 [low,high) 中随机采样
low：采样下界，float类型，默认值为0；
high：采样上界，float类型，默认值为1；
size：输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m*n*k个样本，缺省时输出1个值。
返回值：ndarray类型，其形状和参数size中描述一致
import matplotlib.pyplot as plt import numpy as np s = np.random.uniform(0,1,1200) # 产生1200个[0,1)的数 count, bins, ignored = plt.hist(s, 12, normed=True) """ hist原型： matplotlib.pyplot.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical',rwidth=None, log=False, color=None, label=None, stacked=False, hold=None,data=None,**kwargs) 输入参数很多，具体查看matplotlib.org,本例中用到3个参数，分别表示：s数据源，bins=12表示bin 的个数，即画多少条条状图，normed表示是否归一化，每条条状图y坐标为n/(len(x)`dbin),整个条状图积分值为1 输出：count表示数组，长度为bins，里面保存的是每个条状图的纵坐标值 bins:数组，长度为bins+1,里面保存的是所有条状图的横坐标，即边缘位置 ignored: patches，即附加参数，列表或列表的列表，本例中没有用到。 """ plt.plot(bins, np.ones_like(bins), linewidth=2, color='r') plt.show()
