本文共 6574 字，大约阅读时间需要 21 分钟。

1  np.split():

Parameters:	ary : ndarray Array to be divided into sub-arrays. indices_or_sections : int or 1-D array If indices_or_sections is an integer, N, the array will be divided into N equal arrays along axis. If such a split is not possible, an error is raised. If indices_or_sections is a 1-D array of sorted integers, the entries indicate where along axis the array is split. For example, [2, 3] would, for axis=0, result in ary[:2] ary[2:3] ary[3:] If an index exceeds the dimension of the array along axis, an empty sub-array is returned correspondingly. axis : int, optional The axis along which to split, default is 0.
Returns:	sub-arrays : list of ndarrays A list of sub-arrays.
Raises:	ValueError If indices_or_sections is given as an integer, but a split does not result in equal division.

例子：

1 当数据划分均等的时候：

>>> x = np.arange(9.0)

>>> np.split(x, 3) 输出：[array([ 0.,  1.,  2.]), array([ 3.,  4.,  5.]), array([ 6.,  7.,  8.])]   >>> x = np.arange(8.0) >>> np.split(x, [3, 5, 6, 10]) 输出：[array([ 0.,  1.,  2.]),  array([ 3.,  4.]),  array([ 5.]),  array([ 6.,  7.]),  array([], dtype=float64)]  2 当数据划分不均等的时候，报错;

import numpy as np

x = np.arange(7.0) print(np.split(x, 2))

'array split does not result in an equal division')

ValueError: array split does not result in an equal division 此时使用 np.arry_split()

>>> x = np.arange(8.0)

>>> np.array_split(x, 3)

    [array([ 0.,  1.,  2.]), array([ 3.,  4.,  5.]), array([ 6.,  7.])]

 

>>> x = np.arange(7.0)

>>> np.array_split(x, 3)

    [array([ 0.,  1.,  2.]), array([ 3.,  4.]), array([ 5.,  6.])]

成功。

2  np.random.seed

  seed( ) 用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed( )值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。

如下测试：

from numpy import *

num=0

while(num<5):

   random.seed(5)

   print(random.random())

   num+=1

结果：

再次修改以上代码：

from numpy import *

num=0

random.seed(5)

while(num<5):

    print(random.random())

    num+=1

结果：

可以看出：random.seed(something)只能是一次有效。这个用的时候要注意。

3 np.meshgrid(x,y):

n [65]: xnums =np.arange(4)

 

In [66]: ynums =np.arange(5)

In [67]: xnums

Out[67]: array([0,1, 2, 3])

In [68]: ynums

Out[68]: array([0,1, 2, 3, 4])

In [69]: data_list= np.meshgrid(xnums,ynums)

In [70]: data_list

Out[70]:

[array([[0, 1, 2,3],

        [0, 1, 2, 3],

        [0, 1, 2, 3],

        [0, 1, 2, 3],

        [0, 1, 2, 3]]), array([[0, 0, 0, 0],

        [1, 1, 1, 1],

        [2, 2, 2, 2],

        [3, 3, 3, 3],

        [4, 4, 4, 4]])]

In [71]: x,y =data_list

In [72]: x.shape

Out[72]: (5L, 4L)

In [73]: y.shape

Out[73]: (5L, 4L)

In [74]: x

Out[74]:

array([[0, 1, 2,3],

       [0, 1, 2, 3],

       [0, 1, 2, 3],

       [0, 1, 2, 3],

       [0, 1, 2, 3]])

In [75]: y

Out[75]:

array([[0, 0, 0,0],

       [1, 1, 1, 1],

       [2, 2, 2, 2],

       [3, 3, 3, 3],

       [4, 4, 4, 4]])

由上面可以看出，meshgrid的作用是根据传入的两个一维数组参数生成两个数组元素的列表。如果第一个参数是xarray，维度是xdimesion，第二个参数是yarray，维度是ydimesion。那么生成的第一个二维数组是以xarray为行，ydimesion行的向量；而第二个二维数组是以yarray的转置为列，xdimesion列的向量。

4 nump中的为随机数产生器的seed():np.random.RandomState

nump.random.RandomState(0)为随机数产生器的种子，里面的数字相同，则产生的随机数相同。

rng = numpy.random.RandomState(23355)arrayA = rng.uniform(0,1,(2,3))

该段代码的目的是产生一个2行3列的assarray，其中的每个元素都是[0,1]区间的均匀分布的随机数

这里看以看到，有一个23355这个数字，其实，它是伪随机数产生器的种子，也就是“the starting point for a sequence of pseudorandom number”

对于某一个伪随机数发生器，只要该种子（seed）相同，产生的随机数序列就是相同的

1 numpy.random.seed()用于设置随机数种子 

seed可以是一个int,满足0<=seed<=2(32−1)，这个条件的int都可以做参数。 seed可以是一个array。 seed可以是None。  用一句话总结numpy.random.seed()和numpy.random.RandomState()的关系：

相同处： 他们的参数都是随机数seed 不同处： numpy.random.RandomState()更为复杂，完全可以代替numpy.random.seed()这条语句。 随机数种子seed只有一次有效，在下一次调用产生随机数函数前没有设置seed，则还是产生随机数。 

1.如果需要不产生随机数，则需要每次设置numpy.random.seed()。

num=0while(num<5):    np.random.seed(1)    print(np.random.random())    num+=10.4170220047025740.4170220047025740.4170220047025740.4170220047025740.417022004702574

2.如果需要每次都产生随机数，则可以将随机数seed设置成None，或者不设置。 

>>> import numpy >>>> numpy.random.RandomState(0).rand(4) >array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])    >>> numpy.random.RandomState(0).rand(4)                   array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])    >>> numpy.random.RandomState(0).rand(4)                  array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318]) >>> numpy.random.RandomState(None).rand(4)                 array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])      >>> numpy.random.RandomState(None).rand(4)                       array([ 0.4236548 , 0.64589411, 0.43758721, 0.891773 ])          >>> numpy.random.RandomState(None).rand(4)                      array([ 0.96366276, 0.38344152, 0.79172504, 0.52889492])

5 np.mgrid函数

代码:

z = np.mgrid[1:5, 1:3]x, y = z[0], z[1]print(x)print(y)

结果：

[[1 1]

 [2 2]  [3 3]  [4 4]] [[1 2]  [1 2]  [1 2]

 [1 2]]

首先np.mgrid输出至少是一个三维的向量。

其中的元素，z[0],z[1]都是二维矩阵。

z[0]行数由np.mgrid第一个参数决定，上例为1：5，且为1 2 3 4，列数由1：3决定，利用广播机制填充。

z[1]列数由np.mgrid第二个参数决定，上例为1：3，且为1 2 ，行数由1：5决定，利用广播机制填充。

PS：z = np.mgrid[1:5:0.1, 1:3:0.1]

表示1：5切片间隔为0.1，1：3切片间隔为0.1

z = np.mgrid[1:5:4j, 1:3:3j]

表示1：5切片均匀取数，取4个，1：3切片均匀取数，取3个

6 np 形成矩阵

  ndarray提供了一些创建二维数组的特殊函数。numpy中matrix是对二维数组ndarray进行了封装之后的子类。这里介绍的关于二维数组的创建，返回的依旧是一个ndarray对象，而不是matrix子类。关于matrix的创建和操作，待后续笔记详细描述。为了表述方便，下面依旧使用矩阵这一次来表示创建的二维数组。 

1. diag函数返回一个矩阵的对角线元素、或者创建一个对角阵，对角线由参数k控制  2. diagflat函数以输入作为对角线元素，创建一个矩阵，对角线由参数k控制  3. tri函数生成一个矩阵，在某对角线以下元素全为1，其余全为0，对角线由参数k控制  4. tril函数输入一个矩阵，返回该矩阵的下三角矩阵，下三角的边界对角线由参数k控制  5. triu函数与tril类似，返回的是矩阵的上三角矩阵  6. vander函数输入一个一维数组，返回一个范德蒙德矩阵

7 eye 形成一个单位矩阵

#diag用法>>> x = np.arange(9).reshape((3,3))>>> xarray([[0, 1, 2],       [3, 4, 5],       [6, 7, 8]])>>> np.diag(x)array([0, 4, 8])>>> np.diag(x, k=1)array([1, 5])>>> np.diag(x, k=-1)array([3, 7])>>> np.diag(np.diag(x))array([[0, 0, 0],       [0, 4, 0],       [0, 0, 8]])>>> np.diag(np.diag(x), k=1)array([[0, 0, 0, 0],       [0, 0, 4, 0],       [0, 0, 0, 8],       [0, 0, 0, 0]])#diagflat用法>>> np.diagflat([[1,2],[3,4]])array([[1, 0, 0, 0],       [0, 2, 0, 0],       [0, 0, 3, 0],       [0, 0, 0, 4]])>>> np.diagflat([1,2,3], k=-1)array([[0, 0, 0, 0],       [1, 0, 0, 0],       [0, 2, 0, 0],       [0, 0, 3, 0]])#tri>>> np.tri(3,4, k=1, dtype=int)  array([[1, 1, 0, 0],       [1, 1, 1, 0],       [1, 1, 1, 1]])>>> np.tri(3,4)array([[ 1.,  0.,  0.,  0.],       [ 1.,  1.,  0.,  0.],       [ 1.,  1.,  1.,  0.]])#tril与triu>>> x = np.arange(12).reshape((3,4))>>> xarray([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11]])>>> np.tril(x, k=1) array([[ 0,  1,  0,  0],       [ 4,  5,  6,  0],       [ 8,  9, 10, 11]])>>> np.triu(x, k=1) array([[ 0,  1,  2,  3],       [ 0,  0,  6,  7],       [ 0,  0,  0, 11]])#vander>>> np.vander([2,3,4,5])array([[  8,   4,   2,   1],       [ 27,   9,   3,   1],       [ 64,  16,   4,   1],       [125,  25,   5,   1]])>>> np.vander([2,3,4,5], N=3)array([[ 4,  2,  1],       [ 9,  3,  1],       [16,  4,  1],       [25,  5,  1]])