numpy里面有很多数组矩阵的用法，遇到一个就记一个。
1.np.logical_and/or/not (逻辑与/或/非)
np.logical_and(逻辑与)
Syntax
np.logical_and(x1, x2, *args, **kwargs)Test
>>> np.logical_and(True, False)
False
>>> np.logical_and([True, False], [False, False])
array([False, False], dtype=bool)>>> x = np.arange(5)
>>> np.logical_and(x>1, x<4)
array([False, False, True, True, False], dtype=bool)np.logical_or(逻辑或)
Syntax
np.logical_or(x1, x2, *args, **kwargs)Test
>>> np.logical_or(True, False)
True
>>> np.logical_or([True, False], [False, False])
array([ True, False], dtype=bool)>>> x = np.arange(5)
>>> np.logical_or(x < 1, x > 3)
array([ True, False, False, False, True], dtype=bool)np.logical_not(逻辑非)
Syntax
logical_not(x, *args, **kwargs)>>> np.logical_not(3)
False
>>> np.logical_not([True, False, 0, 1])
array([False, True, True, False], dtype=bool)>>> x = np.arange(5)
>>> np.logical_not(x<3)
array([False, False, False, True, True], dtype=bool)转自：https://blog.csdn.net/JNingWei/article/details/78651535?locationNum=2&fps=1
2.numpy中的nonzero()的用法
nonzero(a)返回数组a中值不为零的元素的下标，它的返回值是一个长度为a.ndim(数组a的轴数)的元组，元组的每个元素都是一个整数数组，其值为非零元素的下标在对应轴上的值。例如对于一维布尔数组b1，nonzero(b1)所得到的是一个长度为1的元组，它表示b1[0]和b1[2]的值不为0(False)。
>>> b1=np.array([True, False, True, False])
>>> np.nonzero(b1)
(array([0, 2], dtype=int64),) 对于二维数组b2，nonzero(b2)所得到的是一个长度为2的元组。它的第0个元素是数组a中值不为0的元素的第0轴的下标，第1个元素则是第1轴的下标，因此从下面的结果可知b2[0,0]、b[0,2]和b2[1,0]的值不为0：
>>> b2 = np.array([[True, False, True], [True, False, False]])
>>> np.nonzero(b2)
(array([0, 0, 1], dtype=int64), array([0, 2, 0], dtype=int64)) >>> a = np.arange(3*4*5).reshape(3,4,5)
>>> a
array([[[ 0, 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, 57, 58, 59]]])
>>> a[b2]
array([[ 0, 1, 2, 3, 4], [10, 11, 12, 13, 14], [20, 21, 22, 23, 24]])
>>> a[np.nonzero(b2)]
array([[ 0, 1, 2, 3, 4], [10, 11, 12, 13, 14], [20, 21, 22, 23, 24]]) 为了观察变化，下面有一个例子：
dataSet=array( [[1,0,0,0], [0,1,0,0], [0,1,0,0], [0,0,0,1]])
a=dataSet[:,1]>0.5
print(a)
print('--------------')
print(nonzero(a))
print('--------------')
print(nonzero(a)[0])
print('--------------')
print(dataSet[nonzero(a)[0],:]) [False True True False]
--------------
(array([1, 2], dtype=int64),)
--------------
[1 2]
--------------
[[0 1 0 0] [0 1 0 0]] 转自：https://blog.csdn.net/zhihaoma/article/details/51235016
3.range和np.arange()
range()返回的是range object，而np.nrange()返回的是numpy.ndarray()range尽可用于迭代，而np.nrange作用远不止于此，它是一个序列，可被当做向量使用。range()不支持步长为小数，np.arange()支持步长为小数两者都可用于迭代
两者都有三个参数，以第一个参数为起点，第三个参数为步长，截止到第二个参数之前的不包括第二个参数的数据序列
某种意义上，和STL中由迭代器组成的区间是一样的，即左闭右开的区间。[first, last)或者不加严谨地写作[first:step:last)
>>>range(1,5)
range(1,5)
>>>tuple(range(1, 5))
(1, 2, 3, 4)
>>>list(range(1, 5))
[1, 2, 3, 4]>>>r = range(1, 5)
>>>type(r)
<class 'range'>>>>for i in range(1, 5):
... print(i)
1
2
3
4>>> np.arange(1, 5)
array([1, 2, 3, 4])>>>range(1, 5, .1)
Traceback (most recent call last):File "<stdin>", line 1, in <module>
TypeError: 'float' object cannot be interpreted as an integer>>>np.arange(1, 5, .5)
array([ 1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5])>>>range(1, 5, 2)
>>>for i in range(1, 5, 2):
... print(i)
1
3>>for i in np.arange(1, 5):
... print(i)
1
2
3
44.arange(),reshape()用法
arange()用于生成一维数组
reshape()将一维数组转换为多维数组
import numpy as npprint('默认一维为数组:', np.arange(5))
print('自定义起点一维数组:',np.arange(1, 5))
print('自定义起点步长一维数组:',np.arange(2, 10, 2))
print('二维数组:', np.arange(8).reshape((2, 4)))
print('三维数组:', np.arange(60).reshape((3, 4, 5)))print('指定范围三维数组:',np.random.randint(1, 8, size=(3, 4, 5)))输出结果:
默认一维数组: [0 1 2 3 4]
自定义起点一维数组: [1 2 3 4]
自定义起点步长一维数组: [2 4 6 8]
二维数组: [[0 1 2 3][4 5 6 7]]
三维数组: [[[ 0 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 57 58 59]]]
指定范围三维数组: [[[2 3 2 1 5][6 5 5 6 7][4 4 6 5 3][2 2 3 5 6]][[2 1 2 4 4][1 4 2 1 4][4 4 3 4 2][4 1 4 4 1]][[6 2 2 7 6][2 6 1 5 5][2 6 7 2 1][3 3 1 4 2]]]
[[[3 3 5 6][2 1 6 6][1 1 3 5]][[7 6 5 3][5 6 5 4][6 5 7 1]]]