import numpy as np

lst = [[1, 2, 3], [4, 5, 6]]
 
def numpy_type():
 print(type(lst))
 data = np.array(lst, dtype=np.float64)  # array將數(shù)組轉(zhuǎn)為numpy的數(shù)組
 
 # bool,int,int8,int16,int32,int64,int128,uint8,uint32,
 # uint64,uint128,float16/32/64,complex64/128
 
 print(type(data))  # 數(shù)據(jù)類型
 print(data.shape)  # 幾行幾列
 print(data.ndim)  # 空間維數(shù)
 print(data.dtype)  # 元素類型
 print(data.itemsize)  # 元素所占字節(jié)
 print(data.size)  # 元素總數(shù)

def numpy_array():
 # 輸出2行4列的全0的numpy的array數(shù)組
 print(np.zeros([2, 4]))  # 一般用于數(shù)據(jù)初始化
 
 # 輸出3行5列的全1的numpy的array數(shù)組
 print(np.ones([3, 5]))
 
 # 隨機(jī)數(shù)
 print(np.random.rand(2, 4))  # 生成2行4列的隨機(jī)數(shù)矩陣,此時(shí)默認(rèn)元素大小在0到1
 print(np.random.rand())  # 打印一個(gè)隨機(jī)數(shù),此時(shí)默認(rèn)元素大小在0到1
 print(np.random.rand(1, 10, 3))  # 三個(gè)參數(shù)分別對(duì)應(yīng)x、y、z軸,表示三維矩陣
 
 # 與rand不同randint的三個(gè)參數(shù)表示范圍[1,10)內(nèi)的3個(gè)元素的一維數(shù)組
 print(np.random.randint(1, 10, 3))  
 
 print(np.random.randint(1, 10))  # randint必須傳入?yún)?shù)范圍，這表示返回一個(gè)范圍內(nèi)的隨機(jī)數(shù)
 print(np.random.randn())  # 返回一個(gè)標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)
 print(np.random.randn(2, 4))  # 返回2行4列符合標(biāo)準(zhǔn)正態(tài)發(fā)布的隨機(jī)數(shù)
 print(np.random.choice([10, 2, 3, 1, 5, 6]))  # 從可迭代數(shù)組中隨機(jī)返回一個(gè)
 print(np.random.beta(1, 10, 100))  # 隨機(jī)生成[1,10]里符合beta發(fā)布的100元素的一維數(shù)組
 
 lst1 = np.array([10, 20, 30, 40])
 lst2 = np.array([4, 3, 2, 1])
 # 直接操作
 print(lst2 + lst1)
 print(lst2 - lst1)
 print(lst2 / lst1)
 print(lst2 * lst1)
 print(lst2 ** lst1)  # 平方
 
 # 點(diǎn)乘
 print(np.dot(lst1.reshape([2, 2]), lst2.reshape([2, 2])))
 
 # 追加
 print(np.concatenate((lst2, lst1), axis=0))  # 0水平追加,1豎向追加
 print(np.vstack((lst2, lst1)))  # 豎向追加
 print(np.hstack((lst2, lst1)))  # 水平追加
 
 # 分裂
 print(np.split(lst2, 2))  # 分成2份
 
 # 拷貝
 print(np.copy(lst2))

def numpy_handle():
 print(np.arange(1, 11))  # 生成[1,11)里的整數(shù)的一維數(shù)組,默認(rèn)按1遞增
 print(np.arange(1, 11).reshape([2, 5]))  # reshape方法可以將矩陣重構(gòu)為x行y列的矩陣
 print(np.arange(1, 11).reshape([2, -1]))  # 也可以使用缺失值-1實(shí)現(xiàn)相同的效果
 data = np.arange(1, 11).reshape([2, -1])
 print(np.exp(data))  # 自然指數(shù)e的指數(shù)操作
 print(np.exp2(data))  # 自然指數(shù)e的平方操作
 print(np.sqrt(data))  # 開方操作
 print(np.sin(data))  # 三角函數(shù)
 print(np.log(data))  # 對(duì)數(shù)操作
 print(data.max())  # 最大值
 print(data.min())  # 最小值

def numpy_axis():
 data = np.array([
  [[1, 2, 3, 4],
[5, 6, 7, 8]],
  [[9, 10, 11, 12],
[13, 14, 15, 16]],
  [[17, 18, 19, 20],
[20, 21, 22, 23]]
 ])
 # axis從外而內(nèi)的滲入，值越大滲透入層數(shù)越多，最大為n-1
 # axis=0,表示從外而內(nèi)n+1層，即1進(jìn)行解析
 print(data.sum(axis=2))  # 求和  #這里滲入了3層
 print(data.max(axis=1))  # 獲取最大值
 print(data.min(axis=0))  # 獲取最小值

from numpy.linalg import *  # 引入線性方程組的依賴

def numpy_line():
 from numpy.linalg import *  # 引入線性方程組的依賴
 print(np.eye(3))  # 階級(jí)為3的單位矩陣
 lst3 = np.array([[1, 2],
[3, 4]])
 print(inv(lst3))  # 逆矩陣
 print(lst3.transpose())  # 轉(zhuǎn)置矩陣
 print(det(lst3))  # 行列式
 print(eig(lst3))  # 體征值和體征向量，第一個(gè)表示體征值，第二個(gè)表示體征向量
 y = np.array([[5.], [7.]])
 print(solve(lst3, y))  # 求解線性矩陣方程