NumericalPython库

什么是NumericalPython库?

NumericalPython库是使用 Python 进行科学计算的基础软件包, 它提供了 Python 生态系统中数据分析、机器学习、科学计算

除了计算外，它还包括了：

1. 功能强大的 N 维数组对象
2. 精密广播功能函数
3. 集成 C/C+和 Fortran 代码的工具
4. 强大的线性代数、傅立叶变换和随机数功能

NumPy 主要对象

NumPy的主要对象是同构多维数组

它是一个元素表（通常是数字）, 所有类型都相同，由非负整数元组索引。在NumPy维度中称为 轴(axes) 。

例如: 3D空间中的点的坐标[1, 2, 1]具有一个轴。该轴有3个元素，所以我们说它的长度为3

在下图所示的例子中，数组有2个轴。第一轴的长度为2，第二轴的长度为3

实际上, 轴(axes)是数组的维度, 对于二维, 行是一个轴, 列是一个轴

[[ 1., 0., 0.],
 [ 0., 1., 2.]]

ndarray 对象

NumPy的数组类叫做 ndarray

ndarray属性

ndarray 创建

创建函数

1. 使用array() 函数

import numpy

a = numpy.array([1, 2, 3, 4])
b = numpy.array([[1, 2], [3, 4.0]])
c = numpy.array([[1, 2], [3, 4]], dtype = complex)
print(a)
print(b)
print(c)
print(a.dtype, b.dtype, c.dtype)

结果:

[1 2 3 4]
[[1. 2.]
 [3. 4.]]
[[1.+0.j 2.+0.j]
 [3.+0.j 4.+0.j]]
int32 float64 complex128

2. 快捷创建数组

(1). 0数组

zeros() 函数

创建元素全为0的数组

import numpy

o = numpy.zeros(5)
print(o)

结果:

[0. 0. 0. 0. 0.]

zeros_like() 函数

创建与给定数组具有相同形状和类型的零数组, 可以指定数组的类型

import numpy

o = numpy.array(
    [
        [0, 1, 2],
        [3, 4, 5]
    ]
)
a = numpy.zeros_like(o, float)
print(a)

结果:

[[0. 0. 0.]
 [0. 0. 0.]]

(2). 1数组

ones() 函数

创建元素全为1的数组

import numpy

e = numpy.ones((5, 5), dtype = complex)
print(e)

结果:

[[1.+0.j 1.+0.j 1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j 1.+0.j 1.+0.j]]

ones_like() 函数

创建与给定数组具有相同形状和类型的1数组, 可以指定数组的类型

import numpy

o = numpy.array(
    [
        [0, 1, 2],
        [3, 4, 5]
    ]
)
a = numpy.ones_like(o, complex)
print(a)

结果:

[[1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j]]

(3). 随机值数组

empty() 函数

创建元素全部是随机产生值的数组

import numpy

e = numpy.empty((3, 5))
print(e)

结果:

[[ 3.68274928e-216  7.87345618e-312  7.87345611e-312  6.15650563e+292
   7.87345618e-312]
 [ 7.87345611e-312  2.64978910e+081  7.87345620e-312  7.87345611e-312
  -1.05477908e+120]
 [ 7.87345620e-312  7.87345597e-312 -9.42910864e+115  7.87345620e-312
   7.87345597e-312]]

empty_like() 函数

创建与给定数组具有相同形状和类型的随机值数组, 可以指定数组的类型

import numpy

o = numpy.array([1, 2])
a = numpy.empty_like(o, complex)
print(a)

结果:

[6.63123696e-315+0.0000000e+000j 7.29112202e-304-7.3874612e+104j]

(4). 全部值一样的数组

full() 函数

创建元素全部是一样的数组

import numpy

x = numpy.full((2, 2), 6, float)
print(x)

结果:

[[6. 6.]
 [6. 6.]]

(5). 单位矩阵

identity() 函数

创建方阵单位矩阵

import numpy

i = numpy.identity(3, dtype = float)
print(i)

结果:

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

eye() 函数

创建非方阵单位矩阵

import numpy

a = numpy.eye(5)
print(a)

b = numpy.eye(4, 8)
print(b)

c = numpy.eye(3, 5, k = 3)
print(c)

结果:

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]
 
[[1. 0. 0. 0. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0. 0. 0.]
 [0. 0. 0. 1. 0. 0. 0. 0.]]
 
[[0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]
 [0. 0. 0. 0. 0.]]

3. 使用arange() 函数

import numpy

a = numpy.arange(1, 10)
b = numpy.arange(1, 20, 5)
c = numpy.arange(0, 2, 0.3)
d = numpy.arange(10)
print(a)
print(b)
print(c)
print(d)

结果:

[1 2 3 4 5 6 7 8 9]
[ 1  6 11 16]
[0.  0.3 0.6 0.9 1.2 1.5 1.8]
[0 1 2 3 4 5 6 7 8 9]

4. 使用linspace() 函数

import numpy

a = numpy.linspace(0, 1, 5)
b = numpy.linspace(1, 20, 5)
print(a)
print(b)

结果:

[0.   0.25 0.5  0.75 1.  ]
[ 1.    5.75 10.5  15.25 20.  ]

5. 使用fromfunction() 函数

import numpy

a = numpy.fromfunction(lambda x, y: x + y, (2, 2))
print(a)

结果:

[[0. 1.]
 [1. 2.]]

原理:

x的值会从0递增, y的值会从0递增

对于第i行元素, x的值都为i – 1

对于第j列元素, y的值都为j – 1

    y ->  0          1
x    
↓   
0    [[0 = 0 + 0  1 = 0 + 1]
1     [1 = 1 + 0  2 = 1 + 1]]

6. 使用random() 函数

import numpy

a = numpy.random.random((3, 5))
print(a)

结果:

[[0.88387807 0.69756899 0.447521   0.9923293  0.61855725]
 [0.65555256 0.28584714 0.16432933 0.54858505 0.19058042]
 [0.55937544 0.12831352 0.96037035 0.35226674 0.51170598]]

原理:

x的值会从0递增, y的值会从0递增

对于第i行元素, x的值都为i – 1

对于第j列元素, y的值都为j – 1

    y ->  0          1
x    
↓   
0    [[0 = 0 + 0  1 = 0 + 1]
1     [1 = 1 + 0  2 = 1 + 1]]

7. print() 函数打印数组

如果数组太大而无法打印，NumPy会自动跳过数组的中心部分并只打印头部元素和尾部元素

import numpy

a = numpy.arange(1, 9999)
print(a)
a = [i for i in range(1, 9999)]
b = numpy.array([a, a])
print(b)

结果:

[   1    2    3 ... 9996 9997 9998]
[[   1    2    3 ... 9996 9997 9998]
 [   1    2    3 ... 9996 9997 9998]]

元素不省略打印

使用 set_printoptions() 函数

import numpy
import sys


a = numpy.arange(1, 9999)
print(a)
numpy.set_printoptions(threshold = sys.maxsize)
print(a)

结果:

[   1    2    3 ... 9996 9997 9998]
[   1    2    3    4    5    6    7    8    9   10   11   12   13   14
   15   16   17   18   19   20   21   22   23   24   25   26   27   28
   29   30   31   32   33   34   35   36   37   38   39   40   41   42
   43   44   45   46   47   48   49   50   51   52   53   54   55   56
   ... 这里省略打印结果

ndarray 运算

运算符与运算函数

当使用不同类型的数组进行操作时, 结果数组的类型对应于更一般或更精确的数组, 即称为向上转型

1. 加 减 幂 数乘

(1). 加减

import numpy

a = numpy.array(
    [
        [1, 2],
        [3, 4]
    ]
)
b = numpy.array(
    [
        [2, 2],
        [3, 3]
    ]
)
print(a)
print(b)
c = a + b
d = a - b
print(c)
print(d)

结果:

[[1 2]
 [3 4]]
[[2 2]
 [3 3]]
[[3 4]
 [6 7]]
[[-1  0]
 [ 0  1]]

(2). 幂

import numpy

a = numpy.array(
    [
        [1, 2],
        [3, 4]
    ]
)
b = a ** 2
print(a)
print(b)
a **= a
print(a)

结果:

[[1 2]
 [3 4]]
[[ 1  4]
 [ 9 16]]
[[  1   4]
 [ 27 256]]

(3). 数乘

import numpy

a = numpy.array(
    [
        [1, 2],
        [3, 4]
    ]
)
b = a * 3
print(a)
print(b)

结果:

[[1 2]
 [3 4]]
[[ 3  6]
 [ 9 12]]

2. 比较

(1). 与数比较

结果是相同维度的布尔数组

import numpy

a = numpy.array(
    [
        [1, 2],
        [3, 4]
    ]
)
print(a > 3)
print(a >= 3)
print(a < 3)
print(a <= 3)
print(a == 3)
print(a != 3)

结果:

[[False False]
 [False  True]]
 
[[False False]
 [ True  True]]
 
[[ True  True]
 [False False]]
 
[[ True  True]
 [ True False]]
 
[[False False]
 [ True False]]
 
[[ True  True]
 [False  True]]

(2). 与同型数组比较

结果是相同维度的布尔数组

import numpy

a = numpy.array(
    [
        [1, 2],
        [3, 4]
    ]
)
b = numpy.array(
    [
        [4, 4],
        [4, 4]
    ]
)
print(a > b)
print(a >= b)
print(a < b)
print(a <= b)
print(a == b)
print(a != b)

结果:

[[False False]
 [False False]]
 
[[False False]
 [False  True]]
 
[[ True  True]
 [ True False]]
 
[[ True  True]
 [ True  True]]
 
[[False False]
 [False  True]]
 
[[ True  True]
 [ True False]]

(3). 不同型数组比较

结果是布尔数组

多维度与1维度

1维度扩展为与多维度同型

import numpy

a = numpy.array(
    [
        [1, 2],
        [3, 4]
    ]
)
b = numpy.array(
    [
        [0]
    ]
)
print(a)
print(b)
print(a == b)

结果:

[[1 2]
 [3 4]]
[[0]]
[[False False]
 [False False]]

多维度与某一维度相同

多维度数组与某一维度相同的数组比较, 后者会扩展为与多维度数组同型的数组

import numpy

a = numpy.array(
    [
        [1, 3],
        [3, 1]
    ]
)
b = numpy.array(
    [
        [1],
        [1]
    ]
)
c = numpy.array(
    [
        [1, 1]
    ]
)
print(a)
print(a == b)
print(a == c)

结果:

[[1 3]
 [3 1]]
[[ True False]
 [False  True]]
[[ True False]
 [False  True]]

3. 运算

(1). 乘法

矩阵乘法

import numpy

a = numpy.array(
    [
        [1, 3],
        [3, 1]
    ]
)
b = numpy.array(
    [
        [1, 0],
        [0, 1]
    ]
)
print(a)
print(b)
print(a @ b)

结果:

[[1 3]
 [3 1]]
[[1 0]
 [0 1]]
[[1 3]
 [3 1]]

数组点乘

• 一维数组点乘

x = (a, b, c)

y = (d, e, f)

x·y = ad + be + cf

import numpy

a = numpy.array([1, 2, 3])
b = numpy.array([1, 3, 4])
print(a)
print(b)
print(numpy.dot(a, b))

结果:

[1 2 3]
[1 3 4]
19

• 二维数组点乘

就是矩阵乘法, 与@效果一样

import numpy

a = numpy.array(
    [
        [1, 3],
        [3, 1]
    ]
)
b = numpy.array(
    [
        [1, 0],
        [0, 1]
    ]
)
print(a)
print(b)
print(numpy.dot(a, b))

结果:

[[1 3]
 [3 1]]
[[1 0]
 [0 1]]
[[1 3]
 [3 1]]

(2). sum() min() max() 函数

计算数组元素和

计算全部元素和

import numpy

a = numpy.array(
    [
        [1, 2],
        [3, 4]
    ]
)
print(a.sum())

结果:

10

计算某个维度的元素和

import numpy

a = numpy.array(
    [
        [1, 2.6],
        [3, 4.0]
    ]
)
# 计算列的和
print(a.sum(axis = 0))

结果:

[4 6]

min() 和 max() 与 sum() 用法一样

(3). 通函数

Numpy 提供好的一些数学函数

还有其他的这里不列举了

(4). 矩阵运算

ndarray 切片

1. 一维数组切片

跟Python 列表切片一样

2. 多维数组切片

(1). 切片

可以看成是列表的嵌套

使用,逗号分割轴(维度)

矩阵:

[[0 1 2 3 4 5 6 7 8 9]
 [0 1 2 3 4 5 6 7 8 9]
 [0 1 2 3 4 5 6 7 8 9]
 [0 1 2 3 4 5 6 7 8 9]
 [0 1 2 3 0 0 0 7 8 9]
 [0 1 2 3 0 0 0 7 8 9]
 [0 1 2 3 0 0 0 7 8 9]
 [0 1 2 3 4 5 6 7 8 9]
 [0 1 2 3 4 5 6 7 8 9]
 [0 1 2 3 4 5 6 7 8 9]]

使用切片取出矩阵中 3×3的零矩阵

import numpy

a = numpy.array(
[
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,0,0,0,7,8,9],
    [0,1,2,3,0,0,0,7,8,9],
    [0,1,2,3,0,0,0,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9]
]
)
b = a[4:7, 4:7]
print(b)

结果:

[[0 0 0]
 [0 0 0]
 [0 0 0]]

使用切片取出矩阵中 矩阵中 99 的元素

[[ 0  1  2  3  4  5  6  7  8  9]
 [ 0  1  2  3  4  5  6  7  8  9]
 [ 0  1  2  3  4  5  6  7  8  9]
 [ 0  1  2  3  4  5  6  7  8  9]
 [ 0  1 99  3 99  0 99  7 99  9]
 [ 0  1 99  3 99  0 99  7 99  9]
 [ 0  1  2  3  0  0  0  7  8  9]
 [ 0  1  2  3  4  5  6  7  8  9]
 [ 0  1  2  3  4  5  6  7  8  9]
 [ 0  1  2  3  4  5  6  7  8  9]]

import numpy

a = numpy.array(
[
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,99,3,99,0,99,7,99,9],
    [0,1,99,3,99,0,99,7,99,9],
    [0,1,2,3,0,0,0,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9],
    [0,1,2,3,4,5,6,7,8,9]
]
)
b = a[4:6, 2:9:2]
print(b)

结果:

[[99 99 99 99]
 [99 99 99 99]]

(2). 检索与赋值

行数和列数从0开始
m x n的矩阵行下标0 ~ m-1, 列数从0 ~ n-1
数组[维度1, 维度2, ... 维度n]

把第一行第三列的值赋值为5

[[1 1 1]
 [1 1 1]]

import numpy

x = numpy.array(
    [
        [1, 1, 1],
        [1, 1, 1]
    ]
)
print(x)
x[0, 2] = 5
print(x)

结果:

[[1 1 1]
 [1 1 1]]
[[1 1 5]
 [1 1 1]]

(3). 轴缺失

当提供的索引少于轴(维度)的数量时，缺失的索引被认为是完整的切片

import numpy

a = numpy.fromfunction(lambda x, y: x + y, (2, 2), dtype = int)
print(a)
print(a[0])
print(a[0, :])

结果:

[[0 1]
 [1 2]]
[0 1]
[0 1]

a[0] 相当于 a[, : ]

(4). 轴省略 …

使用 ...省略轴

import numpy

a = numpy.fromfunction(lambda x, y: x + y, (2, 2), dtype = int)
print(a)
print(a[...]) # 相当于 a[ : : ]

print('-----------------')

a = numpy.fromfunction(lambda a, b, c: a + b + c, (4, 4, 4), dtype = numpy.int32)
print(a)
print(a[0, 0, ...]) # 相当于 a[0, 0, :]

结果:

[[0 1]
 [1 2]]
[[0 1]
 [1 2]]
-----------------
[[[0 1 2 3]
  [1 2 3 4]
  [2 3 4 5]
  [3 4 5 6]]
 [[1 2 3 4]
  [2 3 4 5]
  [3 4 5 6]
  [4 5 6 7]]
 [[2 3 4 5]
  [3 4 5 6]
  [4 5 6 7]
  [5 6 7 8]]
 [[3 4 5 6]
  [4 5 6 7]
  [5 6 7 8]
  [6 7 8 9]]]
[0 1 2 3]

如果x数组有5个维度, 则:

x[1,2,…] 相当于 x[1,2,:,:,:]

x[…,3] 相当于 x[:,:,:,:,3]

x[4,…,5,:] 相当于 x[4,:,:,5,:]

3. 数组反转

import numpy

a = numpy.arange(0, 10, 2)
print(a)
a = a[ : :-1]
print(a)

b = numpy.array([
    [1, 2, 3],
    [4, 5, 6]
])
print(b)
b = b[ : :-1, : : -1]
print(b)

结果:

[0 2 4 6 8]
[8 6 4 2 0]
[[1 2 3]
 [4 5 6]]
[[6 5 4]
 [3 2 1]]

[ : : -1] 可以反转某个维度下的元素

4. 布尔索引

import numpy

a = numpy.arange(15).reshape((5, 3))
print(a)
b = numpy.array([True, True, False, False, True])
print(b)
c = a[b, 1:]
print(c)
c[c < 6] = 0
print(c)

结果:

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]
 [12 13 14]]
[ True  True False False  True]
[[ 1  2]
 [ 4  5]
 [13 14]]
[[ 0  0]
 [ 0  0]
 [13 14]]

ndarray 遍历

1. 一维数组遍历

跟Python 列表遍历一样

2. 多维数组遍历

(1). 直接使用for-in

直接使用for-in遍历数组第一个维度的元素

import numpy

a = numpy.fromfunction(lambda a, b, c: a + b + c, (3, 3, 3), dtype = numpy.int32)
for i in a:
    print(i)

结果:

[[0 1 2]
 [1 2 3]
 [2 3 4]]
[[1 2 3]
 [2 3 4]
 [3 4 5]]
[[2 3 4]
 [3 4 5]
 [4 5 6]]

因为a是 3 × 3 的立方体

所以是按照立方体的高遍历的

(2). 遍历数组全部元素

如果想要对数组中的每个元素执行操作, 可以使用flat属性, 该属性是数组的所有元素的迭代器

import numpy

a = numpy.fromfunction(lambda a, b, c: a + b + c, (3, 3, 3), dtype = numpy.int32)
for i in a.flat:
    print(i, end = ' ')

结果:

0 1 2 1 2 3 2 3 4 1 2 3 2 3 4 3 4 5 2 3 4 3 4 5 4 5 6 

按照层行列遍历, 第一列结束第二列, 第一行结束第二行, 第一层结束第二层

ndarray 改变形状

常用函数

1. reshape() 函数

改变数组的形状

import numpy

a = numpy.fromfunction(lambda a, b: a + b, (4, 3), dtype = numpy.int32)
print(a)
a = a.reshape(2, 6)
print(a)

结果:

[[0 1 2]
 [1 2 3]
 [2 3 4]
 [3 4 5]]
[[0 1 2 1 2 3]
 [2 3 4 3 4 5]]

如果某个维度被指定为 -1, 则改维度的个数将自动计算

import numpy

a = numpy.fromfunction(lambda a, b: a + b, (4, 3), dtype = numpy.int32)
print(a)
a = a.reshape(-1, 6)
print(a)

结果:

[[0 1 2]
 [1 2 3]
 [2 3 4]
 [3 4 5]]
[[0 1 2 1 2 3]
 [2 3 4 3 4 5]]

注意: 以下情况会报错

1. 全部维度都为-1
2. 自动计算出来的值唯分数, 即 (3, 4) -> (5, -1) 会报错

2. resize() 函数

改变数组的形状

import numpy

a = numpy.fromfunction(lambda a, b: a + b, (4, 3), dtype = numpy.int32)
print(a)
a.resize((6, 2))
print(a)

结果:

[[0 1 2]
 [1 2 3]
 [2 3 4]
 [3 4 5]]
[[0 1]
 [2 1]
 [2 3]
 [2 3]
 [4 3]
 [4 5]]

该情况不允许使用 -1 表示自动计算

ndarray 堆叠

函数

1. 一维数组列堆叠 column_stack() 函数

import numpy

e = numpy.array([1, 2, 3])
a = numpy.column_stack((e, e))
print(e)
print(a)

结果:

[[1 2 3]
 [1 2 3]]
[[0. 0.]
 [0. 0.]
 [1. 1.]
 [1. 1.]]
[[0. 0.]
 [0. 0.]
 [1. 1.]
 [1. 1.]
 [1. 1.]]

2. 一维数组行堆叠 row_stack() 函数

import numpy

e = numpy.array([1, 2, 3])
a = numpy.row_stack((e, e))
print(e)
print(a)

结果:

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

3. 水平堆叠 hstack() 函数

对于一维, 两个数组拼接

对于二维, 按照行堆叠, 只要行的个数一致, 就可以堆叠

import numpy

e = numpy.array([1, 2, 3])
a = numpy.zeros((2, 2))
b = numpy.ones((2, 2))
c = numpy.ones((2, 3))
print(numpy.hstack((e, e)))
print(numpy.hstack((a, b)))
print(numpy.hstack((a, c)))

结果:

[1 2 3 1 2 3]
[[0. 0. 1. 1.]
 [0. 0. 1. 1.]]
[[0. 0. 1. 1. 1.]
 [0. 0. 1. 1. 1.]]

4. 垂直堆叠 vstack() 函数

对于一维, 两个数组长度要一样

对于二维, 按照列堆叠, 只要列的个数一致, 就可以堆叠

import numpy

e = numpy.array([1, 2, 3])
a = numpy.zeros((2, 2))
b = numpy.ones((2, 2))
c = numpy.ones((3, 2))
print(numpy.vstack((e, e)))
print(numpy.vstack((a, b)))
print(numpy.vstack((a, c)))

结果:

[[1 2 3]
 [1 2 3]]
[[0. 0.]
 [0. 0.]
 [1. 1.]
 [1. 1.]]
[[0. 0.]
 [0. 0.]
 [1. 1.]
 [1. 1.]
 [1. 1.]]

ndarray 拷贝

函数

1. 深拷贝 copy() 函数

import numpy

a = numpy.arange(6).reshape(2, 3)
c = a.view()
print(a)
print(c)
c[0, 0] = 2
print(a)

结果:

[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]
[[2 1 2]
 [3 4 5]]

可以看出修改c的值, a的值也改变了

2. 浅拷贝 view() 函数

import numpy

a = numpy.arange(6).reshape(2, 3)
c = a.copy()
print(a)
print(c)
c[0, 0] = 2
print(a)

结果:

[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]

可以看出修改c的值, a的值没有改变

ndarray 判断

函数

(1). 沿指定的轴判断所有数组元素是否有等于0的

非数字, 正无穷, 负无穷都不等于0

import numpy

a = numpy.arange(6).reshape(2, 3)
print(a)
print(a.all())
print(a.all(axis = 0))
print(a.all(axis = 1))

结果:

[[0 1 2]
 [3 4 5]]
False
[False  True  True]
[False  True]

(2). 沿指定的轴判断该轴数组元素是否都不等于0

非数字, 正无穷, 负无穷都不等于0

import numpy

a = numpy.array([[0, 0, 0], [1, 2, 3]])
print(a)
print(a.any())
print(a.any(axis = 0))
print(a.any(axis = 1))

结果:

[[0 0 0]
 [1 2 3]]
True
[ True  True  True]
[False  True]

(3). 条件赋值 where() 函数

where(条件, 满足条件操作, 不满足条件操作)

import numpy

a = numpy.array([[0, 0, 0], [1, 2, 3]])
print(a)
print(numpy.where(a < 5, a + 3, a))

结果:

[[0 0 0]
 [1 2 3]]
[[3 3 3]
 [4 5 6]]