numpyビット演算#

ビット演算は、二進数の各ビットレベルで操作を行う演算の一種で、数値全体の値を考慮せず、二進数の各ビットを直接操作します。

ビット演算は、計算機科学において低レベルデータの最適化や処理に広く用いられます。

NumPy の “bitwise_” で始まる関数はビット演算関数です。

NumPy のビット演算には以下の関数が含まれます：

1
import numpy as np
2

3
arr1 = np.array([True, False, True], dtype=bool)
4
arr2 = np.array([False, True, False], dtype=bool)
5

6
result_and = np.bitwise_and(arr1, arr2)
7
result_or = np.bitwise_or(arr1, arr2)
8
result_xor = np.bitwise_xor(arr1, arr2)
9
result_not = np.bitwise_not(arr1)
10

11
print("AND:", result_and)  # [False, False, False]
12
print("OR:", result_or)    # [True, True, True]
13
print("XOR:", result_xor)  # [True, True, True]
14
print("NOT:", result_not)  # [False, True, False]
15

16
# 按位取反
17
arr_invert = np.invert(np.array([1, 2], dtype=np.int8))
18
print("Invert:", arr_invert)  # [-2, -3]
19

20
# 左移位运算
21
arr_left_shift = np.left_shift(5, 2)
22
print("Left Shift:", arr_left_shift)  # 20
23

24
# 右移位运算
25
arr_right_shift = np.right_shift(10, 1)
26
print("Right Shift:", arr_right_shift)  # 5

字符串函数#

以下函数用于对 dtype 为 numpy.string_或 numpy.unicode_ 的数组执行向量化字符串操作。 它们基于 Python 内置库中的标准字符串函数。

これらの関数は文字列配列クラス（numpy.char）に定義されています。

• numpy.char.add()/multiply()/center()

numpy.char.add() 関数は、二つの配列の要素を順に文字列結合します。

1
import numpy as np
2

3
print ('文字列を結合します：')
4
print (np.char.add(['hello'],[' xyz']))
5
print ('\\n')
6

7
print ('結合の例：')
8
print (np.char.add(['hello', 'hi'],[' abc', ' xyz']))
9

10
print (np.char.multiply('Runoob ',3))
11

12
# np.char.center(str , width,fillchar) ：
13
# str: 文字列，width: 幅，fillchar: 埋める文字
14
print (np.char.center('Runoob', 20,fillchar = '*'))

• numpy.char.capitalize()/title()/lower()/upper()

1
import numpy as np
2

3
print (np.char.capitalize('runoob'))
4

5
print (np.char.capitalize('runoob'))
6

7
#操作数组
8
print (np.char.lower(['RUNOOB','GOOGLE']))
9

10
# 操作字符串
11
print (np.char.lower('RUNOOB'))

• numpy.char.split()/splitlines()/strip()

numpy.char.split() 通过指定分隔符对字符串进行分割，并返回数组。默认情况下，分隔符为空格。

1
import numpy as np
2

3
# 分隔符默认为空格
4
print (np.char.split ('i like runoob?'))
5
# 分隔符为 .
6
print (np.char.split ('www.runoob.com', sep = '.'))
7

8
# 换行符 \\n
9
# \\n，\\r，\\r\\n 都可用作换行符。
10
print (np.char.splitlines('i\\nlike runoob?'))
11
print (np.char.splitlines('i\\rlike runoob?'))
12

13
# 移除字符串头尾的 a 字符
14
print (np.char.strip('ashok arunooba','a'))
15

16
# 移除数组元素头尾的 a 字符
17
print (np.char.strip(['arunooba','admin','java'],'a'))

• numpy.char.join()/replace()/encode()/decode()

numpy.char.join() 関数は、指定した区切り文字を用いて配列内の要素や文字列を結合します

1
import numpy as np
2

3
# 操作字符串
4
print (np.char.join(':','runoob'))
5

6
# 指定多个分隔符操作数组元素
7
print (np.char.join([':','-'],['runoob','google']))
8

9
print (np.char.replace ('i like runoob', 'oo', 'cc'))
10

11
a = np.char.encode('runoob', 'cp500')
12
print (a)
13

14
print (np.char.decode(a,'cp500'))

numpy数学函数#

1
import numpy as np
2

3
a = np.array([0,30,45,60,90])
4
print ('異なる角度の正弦値：')
5
# 角度をラジアンへ変換するには pi/180 を掛ける
6
print (np.sin(a*np.pi/180))
7
print ('\\n')
8
print ('配列中の角度の余弦値：')
9
print (np.cos(a*np.pi/180))
10
print ('\\n')
11
print ('配列中の角度の正接値：')
12
print (np.tan(a*np.pi/180))

1
import numpy as np
2

3
a = np.array([0,30,45,60,90])
4
print ('含有正弦值的数组：')
5
sin = np.sin(a*np.pi/180)
6
print (sin)
7
print ('\\n')
8
print ('计算角度的反正弦，返回值以弧度为单位：')
9
inv = np.arcsin(sin)
10
print (inv)
11
print ('\\n')
12
print ('通过转化为角度制来检查结果：')
13
print (np.degrees(inv))
14
print ('\\n')
15
print ('arccos 和 arctan 函数行为类似：')
16
cos = np.cos(a*np.pi/180)
17
print (cos)
18
print ('\\n')
19
print ('反余弦：')
20
inv = np.arccos(cos)
21
print (inv)
22
print ('\\n')
23
print ('角度制单位：')
24
print (np.degrees(inv))
25
print ('\\n')
26
print ('tan 函数：')
27
tan = np.tan(a*np.pi/180)
28
print (tan)
29
print ('\\n')
30
print ('反正切：')
31
inv = np.arctan(tan)
32
print (inv)
33
print ('\\n')
34
print ('角度制单位：')
35
print (np.degrees(inv))

算术函数#

NumPy の算術関数には、単純な加算・減算・乗算・除算が含まれます: add()、subtract()、multiply()、divide()。

配列は同じ形状であるか、配列ブロードキャスト規則に従う必要があります。

1
import numpy as np
2

3
a = np.arange(9, dtype = np.float_).reshape(3,3)
4
print ('第一个数组：')
5
print (a)
6
print ('\\n')
7
print ('第二个数组：')
8
b = np.array([10,10,10])
9
print (b)
10
print ('\\n')
11
print ('两个数组相加：')
12
print (np.add(a,b))
13
print ('\\n')
14
print ('两个数组相减：')
15
print (np.subtract(a,b))
16
print ('\\n')
17
print ('两个数组相乘：')
18
print (np.multiply(a,b))
19
print ('\\n')
20
print ('两个数组相除：')
21
print (np.divide(a,b))

• numpy.reciprocal()

  numpy.reciprocal() 関数は、引数の要素ごとの逆数を返します。例えば 1/4 の逆数は 4/1 です。

  1
  import numpy as np
  2
  
  3
  a = np.array([0.25,  1.33,  1,  100])
  4
  print ('我们的数组是：')
  5
  print (a)
  6
  print ('\\n')
  7
  print ('调用 reciprocal 函数：')
  8
  print (np.reciprocal(a))

• numpy.power()

  numpy.power() 関数は、最初の入力配列の要素を底として、対応する第二の入力配列の要素の冪を計算します。

  1
  import numpy as np
  2
  
  3
  a = np.array([10,100,1000])
  4
  print ('我们的数组是；')
  5
  print (a)
  6
  print ('\\n')
  7
  print ('调用 power 函数：')
  8
  print (np.power(a,2))
  9
  print ('\\n')
  10
  print ('第二个数组：')
  11
  b = np.array([1,2,3])
  12
  print (b)
  13
  print ('\\n')
  14
  print ('再次调用 power 函数：')
  15
  print (np.power(a,b))

• numpy.mod()

  numpy.mod() は、入力配列の要素ごとの余りを計算します。 numpy.remainder() も同じ結果を生みます。

1
import numpy as np
2

3
a = np.array([10,20,30])
4
b = np.array([3,5,7])
5
print ('第一个数组：')
6
print (a)
7
print ('\\n')
8
print ('第二个数组：')
9
print (b)
10
print ('\\n')
11
print ('调用 mod() 函数：')
12
print (np.mod(a,b))
13
print ('\\n')
14
print ('调用 remainder() 函数：')
15
print (np.remainder(a,b))

統計関数#

• numpy.amin() と numpy.amax()

  numpy.amin() は、配列の要素を指定された軸に沿って最小値を計算します。

  1
  numpy.amin(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)
  2
  
  3
  # パラメータの説明：
  4
  #     a: 入力の配列。NumPy の配列または同様の配列オブジェクト。
  5
  #     axis: オプション。どの軸に沿って最小値を計算するかを指定。指定しない場合は配列全体の最小値を返す。整数で軸のインデックスを表すことも、複数の軸を表すタプルも可能。
  6
  #     out: オプション。結果の格納先。
  7
  #     keepdims: オプション。True の場合、結果配列の次元を入力配列と同じに保つ。False（デフォルト）の場合、計算後の次元が1の軸は削除される。
  8
  #     initial: オプション。配列の要素上で最小値を計算する際の初期値を指定。
  9
  #     where: オプション。ブール配列で、条件を満たす要素のみを考慮。

  numpy.amax() は、配列の要素を指定された軸に沿って最大値を計算します。

  1
  numpy.amax(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)
  2
  
  3
  # パラメータの説明：
  4
  #     a: 入力の配列。NumPy の配列または同様の配列オブジェクト。
  5
  #     axis: オプション。どの軸に沿って最大値を計算するかを指定。指定しない場合は配列全体の最大値を返す。整数で軸のインデックスを表すことも、複数の軸を表すタプルも可能。
  6
  #     out: オプション。結果の格納先。
  7
  #     keepdims: オプション。True の場合、結果配列の次元を入力配列と同じに保つ。False（デフォルト）の場合、計算後の次元が1の軸は削除される。
  8
  #     initial: オプション。配列の要素上で最大値を計算する際の初期値を指定。
  9
  #     where: オプション。ブール配列で、条件を満たす要素のみを考慮。

1
import numpy as np
2

3
a = np.array([[3,7,5],[8,4,3],[2,4,9]])
4
print ('我们的数组是：')
5
print (a)
6
print ('\\n')
7
print ('调用 amin() 函数：')
8
print (np.amin(a,1))
9
print ('\\n')
10
print ('再次调用 amin() 函数：')
11
print (np.amin(a,0))
12
print ('\\n')
13
print ('调用 amax() 函数：')
14
print (np.amax(a))
15
print ('\\n')
16
print ('再次调用 amax() 函数：')
17
print (np.amax(a, axis =  0))

• numpy.ptp()

  numpy.ptp() 関数は、配列中の要素の最大値と最小値の差（最大値 - 最小値）を計算します。

  1
  numpy.ptp(a,axis=None,out=None,keepdims=<no value>,initial=<no value>,where=<no value>)
  2
  
  3
  # パラメータの説明：
  4
  #     a: 入力の配列。NumPy の配列または同様の配列オブジェクト。
  5
  #     axis: オプション。峰-峰値を計算する軸を指定。指定しない場合は配列全体の峰-峰値を返す。整数で軸のインデックスを表すことも、複数の軸を表すタプルも可能。
  6
  #     out: オプション。結果の格納先。
  7
  #     keepdims: オプション。True の場合、結果配列の次元を入力配列と同じに保つ。False（デフォルト）の場合、計算後の次元が1の軸は削除される。
  8
  #     initial: オプション。配列の要素上で峰-峰値を計算する際の初期値を指定。
  9
  # where: オプション。ブール配列で、条件を満たす要素のみを考慮。
  10
  
  11
  import numpy as np
  12
  
  13
  a = np.array([[3,7,5],[8,4,3],[2,4,9]])
  14
  print ('我们的数组是：')
  15
  print (a)
  16
  print ('\\n')
  17
  print ('调用 ptp() 函数：')
  18
  print (np.ptp(a))
  19
  print ('\\n')
  20
  print ('沿轴 1 调用 ptp() 函数：')
  21
  print (np.ptp(a, axis =  1))
  22
  print ('\\n')
  23
  print ('沿轴 0 调用 ptp() 函数：')
  24
  print (np.ptp(a, axis =  0))

• numpy.percentile()

  百分位数は統計で用いられる尺度で、ある値以下の観測値の割合を表します。関数 numpy.percentile() は以下のパラメータを受け取ります。

  まず百分位数を明確にする： 第 p 百分位数は、少なくとも p% のデータ項がこの値以下であり、かつ少なくとも (100-p)% のデータ項がこの値以上となるような値です。
  例として、入学試験の成績はしばしば百分位数で報告されます。例えば、ある受験者の国語の原点が 54 点だった場合、同じ試験を受けた他の学生と比較して彼の成績がどうかは分かりにくいですが、もし原点 54 点がちょうど第 70 百分位数に対応する場合、約 70% の学生の得点が彼より低く、約 30% の学生の得点が彼より高いことが分かります。
  ここで p = 70。

  1
  numpy.percentile(a, q, axis)
  2
  
  3
  # パラメータの説明：
  4
  #     a: 入力配列
  5
  #     q: 計算する百分位数、0 ~ 100 の間
  6
  #     axis: 百分位数を計算する軸
  7
  
  8
  import numpy as np
  9
  
  10
  a = np.array([[10, 7, 4], [3, 2, 1]])
  11
  print ('我们的数组是：')
  12
  print (a)
  13
  
  14
  print ('调用 percentile() 函数：')
  15
  # 50% の分位数は、a の並べ替え後の中位数
  16
  print (np.percentile(a, 50))
  17
  
  18
  # axis を 0 にすると縦列で求める
  19
  print (np.percentile(a, 50, axis=0))
  20
  
  21
  # axis を 1 にすると横行で求める
  22
  print (np.percentile(a, 50, axis=1))
  23
  
  24
  # 维度を保つ
  25
  print (np.percentile(a, 50, axis=1, keepdims=True))

• numpy.median()

  numpy.median() 関数は、配列 a の要素の中央値（中位数）を計算します。

  1
  numpy.median(a, axis=None, out=None, overwrite_input=False, keepdims=<no value>)
  2
  
  3
  # パラメータの説明：
  4
  #     a: 入力の配列。NumPy の配列または同様の配列オブジェクト。
  5
  #     axis: オプション。どの軸に沿って中位数を計算するかを指定。指定しない場合は配列全体の中位数を計算。整数で軸のインデックスを表すことも、複数の軸を表すタプルも可能。
  6
  #     out: オプション。結果の格納先。
  7
  #     overwrite_input: オプション。True の場合、入力配列のメモリを計算に利用することを許可。場合によってパフォーマンスが向上するが、入力配列の内容を変更する可能性。
  8
  #     keepdims: オプション。True の場合、結果配列の次元を入力配列と同じに保つ。False（デフォルト）の場合、計算後の次元が1の軸は削除される。
  9
  
  10
  import numpy as np
  11
  
  12
  a = np.array([[30,65,70],[80,95,10],[50,90,60]])
  13
  print ('我们的数组是：')
  14
  print (a)
  15
  print ('\\n')
  16
  print ('调用 median() 函数：')
  17
  print (np.median(a))
  18
  print ('\\n')
  19
  print ('沿轴 0 调用 median() 函数：')
  20
  print (np.median(a, axis =  0))
  21
  print ('\\n')
  22
  print ('沿轴 1 调用 median() 函数：')
  23
  print (np.median(a, axis =  1))

• numpy.mean()

  numpy.mean() 関数は、軸が指定されていれば、配列の要素の算術平均を返します。

  算術平均値は、軸の要素の合計を要素の数で割った値です。

  1
  numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<no value>)
  2
  
  3
  # パラメータの説明：
  4
  
  5
  # a: 入力の配列。NumPy の配列または同様の配列オブジェクト。
  6
  # axis: オプション。どの軸に沿って平均値を計算するかを指定。指定しない場合は配列全体の平均値を計算。整数で軸のインデックスを表すことも、複数の軸を表すタプルも可能。
  7
  # dtype: オプション。出力のデータ型を指定。指定しない場合は入力データの型に基づく。
  8
  # out: オプション。結果の格納先。
  9
  # keepdims: オプション。True の場合、結果配列の次元を入力配列と同じに保つ。False（デフォルト）の場合、計算後の次元が1の軸は削除される。

• numpy.average()

  numpy.average() は、別の配列で与えられた各自の重みを用いて、配列中の要素の加重平均を計算します。

  この関数は軸引数を受け付けます。 未指定の場合、配列は展開されます。

  加重平均値は、各数値に対応する重みを掛けて合計し、総和を全体の重みの合計で割った値です。

  1
  numpy.average(a, axis=None, weights=None, returned=False)
  2
  
  3
  # パラメータの説明：
  4
  #     a: 入力の配列。NumPy の配列または同様の配列オブジェクト。
  5
  #     axis: オプション。どの軸に沿って加重平均を計算するかを指定。指定しない場合は配列全体の加重平均を計算。整数で軸のインデックスを表すことも、複数の軸を表すタプルも可能。
  6
  #     weights: オプション。データ点の重みを指定。重み配列を提供しない場合は等重み。
  7
  #     returned: オプション。True の場合、加重平均と重みの和を同時に返します。

• numpy.average()

  numpy.average() は、別の配列で与えられた各自の重みを用いて、配列中の要素の加重平均を計算します。

  この関数は軸引数を受け付けます。 未指定の場合、配列は展開されます。

  加重平均値は、各数値に対応する重みを掛けて合計し、総和を全体の重みの合計で割った値です。

  1
  numpy.average(a, axis=None, weights=None, returned=False)
  2
  
  3
  # パラメータの説明：
  4
  #     a: 入力の配列。NumPy の配列または同様の配列オブジェクト。
  5
  #     axis: オプション。どの軸に沿って加重平均を計算するかを指定。指定しない場合は配列全体の加重平均を計算。整数で軸のインデックスを表すことも、複数の軸を表すタプルも可能。
  6
  #     weights: オプション。データ点の重みを指定。重み配列を提供しない場合は等重み。
  7
  #     returned: オプション。True の場合、加重平均と重みの和を同時に返します。
  8
  
  9
  import numpy as np
  10
  
  11
  a = np.array([1,2,3,4])
  12
  print ('我们的数组是：')
  13
  print (a)
  14
  print ('\\n')
  15
  print ('调用 average() 函数：')
  16
  print (np.average(a))
  17
  print ('\\n')
  18
  # 不指定权重时相当于 mean 函数
  19
  wts = np.array([4,3,2,1])
  20
  print ('再次调用 average() 函数：')
  21
  print (np.average(a,weights = wts))
  22
  print ('\\n')
  23
  # 如果 returned 参数设为 true，则返回权重的和
  24
  print ('权重的和：')
  25
  print (np.average([1,2,3,  4],weights =  [4,3,2,1], returned =  True))
  26
  
  27
  # 在多维数组中，可以指定用于计算的轴。
  28
  a = np.arange(6).reshape(3,2)
  29
  print ('我们的数组是：')
  30
  print (a)
  31
  print ('\\n')
  32
  print ('修改后的数组：')
  33
  wt = np.array([3,5])
  34
  print (np.average(a, axis =  1, weights = wt))
  35
  print ('\\n')
  36
  print ('修改后的数组：')
  37
  print (np.average(a, axis =  1, weights = wt, returned =  True))

• 標準偏差

  標準偏差はデータの平均値の分散の程度を表す尺度です。

  標準偏差は分散の算術平方根です。

  標準偏差の公式は如下：

  std = sqrt(mean((x - x.mean())^2))

  1
  import numpy as np
  2
  
  3
  print (np.std([1,2,3,4]))

• 方差

  統計における分散（標本分散）は、各サンプル値と全体サンプル値の平均値との差の平方の平均、すなわち mean((x - x.mean())** 2)。

  言い換えれば、標準偏差は分散の平方根です。

  1
  import numpy as np
  2
  
  3
  print (np.var([1,2,3,4]))

NumPy 排序、条件筛选函数#

NumPy は複数のソート方法を提供します。 これらのソート関数は、異なるソートアルゴリズムを実装しており、アルゴリズムごとの特長は実行速度、最悪ケースの性能、必要な作業スペース、アルゴリズムの安定性です。 下表は三つのソートアルゴリズムの比較を示します。

• numpy.sort()

  numpy.sort() 関数は、入力配列のソート済みコピーを返します。関数形式は以下のとおりです：

  1
  numpy.sort(a, axis, kind, order)
  2
  
  3
  # パラメータの説明：
  4
  #     a: ソートする配列
  5
  #     axis: その軸に沿って配列をソートします。配列が展開されると、最後の軸に沿ってソートされます。axis=0 は列方向、axis=1 は行方向にソートします
  6
  #     kind: デフォルトは'quicksort'（クイックソート）
  7
  #     order: 配列がフィールドを含む場合には、ソートするフィールド

• numpy.argsort()

  numpy.argsort() 関数は、配列の値を小さい順に並べたときのインデックス値を返します。

  1
  import numpy as np
  2
  
  3
  x = np.array([3,  1,  2])
  4
  print ('我们的数组是：')
  5
  print (x)
  6
  print ('\\n')
  7
  print ('对 x 调用 argsort() 函数：')
  8
  y = np.argsort(x)
  9
  print (y)
  10
  print ('\\n')
  11
  print ('以排序后的顺序重构原数组：')
  12
  print (x[y])

• numpy.lexsort()

  numpy.lexsort() は、複数のシーケンスをソートするために使用します。スプレッドシートの各列が1つのシーケンスで、ソート時には後ろの列を優先して並べ替えると考えてください。

  1
  import numpy as np
  2
  
  3
  nm =  ('raju','anil','ravi','amar')
  4
  dv =  ('f.y.',  's.y.',  's.y.',  'f.y.')
  5
  ind = np.lexsort((dv,nm))
  6
  print ('调用 lexsort() 函数：')
  7
  print (ind)
  8
  print ('\\n')
  9
  print ('使用这个索引来获取排序后的数据：')
  10
  print ([nm[i]  +  ", "  + dv[i]  for i in ind])

• msort、sort_complex、partition、argpartition

  函数	描述
  msort(a)	配列を第一軸でソートし、ソート済みの配列のコピーを返します。np.msort(a) は np.sort(a, axis=0) と同じです。
  sort_complex(a)	複素数を、実部、虚部の順にソートします。
  partition(a, kth[, axis, kind, order])	指定した数を基準に、配列を分割します
  argpartition(a, kth[, axis, kind, order])	keyword kind を使って、指定した軸に沿って配列を分割します

• numpy.argmax() と numpy.argmin()

  numpy.argmax() および numpy.argmin() 関数は、それぞれ、指定した軸に沿って最大値と最小値のインデックスを返します。

• numpy.nonzero()

  numpy.nonzero() 関数は、入力配列の非ゼロ要素のインデックスを返します。

• numpy.where()

  numpy.where() 関数は、入力配列の条件を満たす要素のインデックスを返します。

• numpy.extract()

  numpy.extract() 関数は、ある条件に基づいて配列から要素を抽出し、条件を満たす要素を返します。

NumPy バイトスワップ#

ほぼすべての機械では、多バイトのオブジェクトは連続したバイト順で格納されます。バイト順は、多バイトのデータを格納するための規則です。

• ビッグエンディアン：データの高位バイトがメモリの低アドレスに格納され、低位バイトがメモリの高アドレスに格納されます。この格納モードは、データを文字列として扱うようにアドレスが小さい方から大きい方へ増え、データが高位から低位へ配置されることに似ています。私たちの読み方と一致します。
• リトルエンディアン：データの高位バイトがメモリの高アドレスに格納され、低位バイトがメモリの低アドレスに格納されます。この格納モードはアドレスの高低とデータビットの重みを効果的に結びつけ、高アドレス部分の重みが大きく、低アドレス部分の重みが小さいです。

numpy.ndarray.byteswap() は ndarray の各要素のバイト順を大小のエンディアンに変換します。

1
import numpy as np
2

3
A = np.array([1, 256, 8755], dtype=np.int16)
4
print(A)
5
print(list(map(hex, A)))
6
print(A.byteswap(inplace=True))
7
print(list(map(hex, A)))

無コピー#

簡単な代入は配列オブジェクトのコピーを作成しません。 代わりに、元の配列と同じ id() を使用して参照します。 id() は Python オブジェクトの一般的な識別子を返し、C のポインタに似ています。

さらに、配列のいかなる変更も別の配列に反映されます。 例えば、ある配列の形状を変更すると、別の配列の形状も変更されます。

1
import numpy as np
2

3
a = np.arange(6)
4
print ('我们的数组是：')
5
print (a)
6
print ('调用 id() 函数：')
7
print (id(a))
8
print ('a 赋值给 b：')
9
b = a
10
print (b)
11
print ('b 拥有相同 id()：')
12
print (id(b))
13
print ('修改 b 的形状：')
14
b.shape =  3,2
15
print (b)
16
print ('a 的形状也修改了：')
17
print (a)

视图或浅拷贝#

ndarray.view() 方会创建一个新的数组对象，该方法创建的新数组的维数变化不会改变原始数据的维数。

1
import numpy as np
2

3
# 最开始 a 是个 3X2 的数组
4
a = np.arange(6).reshape(3,2)
5
print ('数组 a：')
6
print (a)
7
print ('创建 a 的视图：')
8
b = a.view()
9
print (b)
10
print ('两个数组的 id() 不同：')
11
print ('a 的 id()：')
12
print (id(a))
13
print ('b 的 id()：' )
14
print (id(b))
15
# 修改 b 的形状，并不会修改 a
16
b.shape =  2,3
17
print ('b 的形状：')
18
print (b)
19
print ('a 的形状：')
20
print (a)
21

22
# 使用切片创建视图修改数据会影响到原始数组：
23
arr = np.arange(12)
24
print ('我们的数组：')
25
print (arr)
26
print ('创建切片：')
27
a=arr[3:]
28
b=arr[3:]
29
a[1]=123
30
b[2]=234
31
print(arr)
32
print(id(a),id(b),id(arr[3:]))

副本或深拷贝#

ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。

1
import numpy as np
2

3
a = np.array([[10,10],  [2,3],  [4,5]])
4
print ('数组 a：')
5
print (a)
6
print ('创建 a 的深层副本：')
7
b = a.copy()
8
print ('数组 b：')
9
print (b)
10
# b 与 a 不共享任何内容
11
print ('我们能够写入 b 来写入 a 吗？')
12
print (b is a)
13
print ('修改 b 的内容：')
14
b[0,0]  =  100
15
print ('修改后的数组 b：')
16
print (b)
17
print ('a 保持不变：')
18
print (a)

転置行列#

NumPy では numpy.transpose 関数で配列の次元を変更することもできますが、T 属性を使用することもできます。

例えば m 行 n 列の行列がある場合、T 属性を使うと n 行 m 列の行列に変換できます。

1
import numpy as np
2

3
a = np.arange(12).reshape(3,4)
4

5
print ('原数组：')
6
print (a)
7
print ('\\n')
8

9
print ('转置数组：')
10
print (a.T)

matlib.empty()#

matlib.empty() 関数は、新しいマトリクスを返します。文法形式は：

1
numpy.matlib.empty(shape, dtype, order)
2

3
# パラメータの説明：
4
#     shape: 新しいマトリクスの形状を定義する整数または整数のタプル
5
#     Dtype: オプション、データ型
6
#     order: C（行優先） または F（列優先）
7

8
import numpy.matlib
9
import numpy as np
10

11
print (np.matlib.empty((2,2)))
12
# ランダムデータで埋める

numpy.matlib.zeros()#

numpy.matlib.zeros() 関数は、0 で埋められたマトリクスを作成します。

1
import numpy as np
2

3
print (np.matlib.zeros((2,2)))

numpy.matlib.ones()#

numpy.matlib.ones()関数は、1 で埋められたマトリクスを作成します。

1
import numpy.matlib
2
import numpy as np
3

4
print (np.matlib.ones((2,2)))

numpy.matlib.eye()#

numpy.matlib.eye() 関数は、対角線上の要素が 1、その他が 0 の行列を返します。

1
numpy.matlib.eye(n, M,k, dtype)
2

3
# パラメータの説明：
4
#     n: 返される行数
5
#     M: 返される列数、デフォルトは n
6
#     k: 対角線のインデックス
7
#     dtype: データ型
8

9
import numpy.matlib
10
import numpy as np
11

12
print (np.matlib.eye(n =  3, M =  4, k =  0, dtype =  float))

numpy.matlib.identity()#

numpy.matlib.identity() 関数は、指定したサイズの単位行列を返します。

単位行列は正方行列で、左上から右下の対角線（主対角線）上の要素がすべて 1、その他は 0 です。

1
import numpy.matlib
2
import numpy as np
3

4
# サイズ5、型は浮動小数点
5
print (np.matlib.identity(5, dtype =  float))

numpy.matlib.rand()#

numpy.matlib.rand() 関数は、指定した大きさのマトリクスを生成し、データをランダムに埋めます。

1
import numpy.matlib
2
import numpy as np
3

4
print (np.matlib.rand(3,3))
5

6
# マトリクスは常に二次元ですが、ndarray は n 次元配列です。両方は互換性があります。
7
import numpy.matlib
8
import numpy as np
9

10
i = np.matrix('1,2;3,4')
11
print (i)
12

13
j = np.asarray(i)
14
print (j)
15

16
k = np.asmatrix (j)
17
print (k)

中国語の表示#

Matplotlib はデフォルトでは中国語をサポートしていません。以下の簡単な方法で解決できます。

1. 思源黑体をダウンロードします
2. ダウンロードしたOTFフォントをコードファイルの下に置きます
3. matplotlib.font_manager.FontProperties(fname="SourceHanSansSC-Bold.otf") の fname にフォントライブラリのパスを指定します

1
import numpy as np
2
from matplotlib import pyplot as plt
3
import matplotlib
4

5
# fname は あなたがダウンロードしたフォントライブラリのパス、SourceHanSansSC-Bold.otf のパスに注意
6
zhfont1 = matplotlib.font_manager.FontProperties(fname="SourceHanSansSC-Bold.otf")
7

8
x = np.arange(1,11)
9
y =  2  * x +  5
10
plt.title("菜鸟教程 - 测试", fontproperties=zhfont1)
11

12
# fontproperties は中国語表示を設定し、fontsize はフォントサイズを設定
13
plt.xlabel("x 轴", fontproperties=zhfont1)
14
plt.ylabel("y 轴", fontproperties=zhfont1)
15
plt.plot(x,y)
16
plt.show()