numpy

一、数组基础

导入numpy是，通常给其一个别名“np”，即

import numpy as np

1.1数据类型

（1）整数型数组与浮点型数组

为克服列表的缺点，应该numpy数组只能容纳一种数据类型，以节约内存。

为方便起见，可将numpy数组简单分成整数型数组与浮点型数组。

注意，使用print输出numpy数组后，元素之间没有逗号，这有两个好处，一是可以将之与python列表区分开，二是避免逗号与小数点之间的混淆。

（2）同化定理

一个人的力量是无法改变全体的，在实际操作中要注意：

        往整数型数组里插入浮点数，该浮点数会自动被截断为整数

        往浮点型数组里面插入整数，该整数会自动升级为浮点数

  （3）共同改变定理

  整数型数组和浮点型数组相互转换，规范的方法是使用.astype()方法。

  除了上述方法，整数型数组和浮点型数组仍然可以相互转换。最常见的是整数型数组在运算过程中升级为浮点数数组。

  1.2数组维度

  （1）一维数组与二维数组

    考虑到深度学习中三维及其以上的数组出现次数少，我们后续主要讲解NumPy 中的一维数组和二维数组，学了一维和二维后，很好类推到三维。

• 不同维度的数组之间，从外形上的本质区别是

    一维数组使用1层中括号表示;

    二维数组使用2层中括号表示:

    三维数组使用3层中括号表示

• 有些函数需要传入数组的形状参数，不同维度数组的形状参数为

    一维数组的形状参数形如:x或(x,);

    二维数组的形状参数形如:(x,y);

    三维数组的形状参数形如:(x,y,z)

• 现在以同一个序列进行举例

    当数组有1层中括号，如[123]，则其为一维数组,其形状是3或(3,);

    当数组有2层中括号，如[[123]]，则其为二维数组，其形状是(1,3);

    当数组有3层中括号，如[[[123]]]，则其为三维数组，其形状是(1,1,3);

同时，可以查看arr,arr1,arr2的形状

（2）不同维度数组之间的转换

   一维数组转二维数组，还是二维数组转一维数组，均要使用的是数组的重塑 方法 .reshape( ) ，该方法需要传入重塑后的形状（shape）参数。

   这个方法神奇的是，给定了其他维度的数值，剩下一个维度可以填-1，让它 自己去计算。比如把一个 5 行 6 列的矩阵重塑为 3 行 10 列的矩阵，当列的参数 10 告诉它，行的参数直接可以用-1 来替代，它会自己去用 30 除以 10 来计算。

这里给.reshape( )传入的形状参数是(1,-1)，正常情况下我们都肯定是(1,10)， 这里(1,-1)的含义是：行的参数是 1 行，列的参数-1 自己去除着算吧。

将二维数组降级为一维数组：

二、数组的创建

2.1创建指定数组

当明确知道数组每一个元素的具体数值时，可以使用np.array()函数，将python列表转化为numpy数组

2.2创建递增数组

递增数组使用np.arange()函数进行创建

2.3创建同值数组

需要创建同值数组时，使用np.zeros()函数以及np.ones()函数，

2.4创建随机数组

有时需要创建随机数组，那么可以使用 np.random 系列函数，如示例所示。

均值为 0、标准差为 1

   三、数组的索引

  3.1访问数字元素

  与 Python 列表一致，访问 NumPy 数组元素时使用中括号，索引由 0 开始。

  （1）访问变量

（2）访问矩阵

3.2花式索引

上一小节访问单个元素时，向量用 arr1[x]，矩阵用 arr2[x,y]。逗号在矩阵里 用于区分行与列，这一小节，逗号新增一个功能，且不会与矩阵里的逗号混淆。

普通索引用一层中括号，花式索引用两层中括号。

（1）向量的花式索引

（2）矩阵的花式索引

3.3访问数组切片

（1）向量的切片

向量与列表切片的操作完全一致，因此本页内容在Python基础中均有涉及。

当明确知道从第x个元素切到第y个元素u如示例所示：

当明确切除数组的开头与结尾，如示例所示：

当明确隔几个元素采样一次时，示例如下：

（2）矩阵的切片

（3）提取矩阵的行

基于矩阵的切片功能，我们可以提取其部分行，如示例所示。

（4）提取矩阵的列

基于矩阵的切片功能，我们可以提取其部分列，如示例所示。

值得注意的是，提取某一个单独的列时，出来的结果是一个向量。其实这么 做只是为了省空间，我们知道，列矩阵必须用两层中括号来存储，而形状为 1000 的向量，自然比形状为(1000,1)的列矩阵更省空间（节约了 1000 对括号）。

如果你真的想要提取一个列矩阵出来，示例如下。

3.4数组切片仅是视图

（1）数组切片仅是视图

与 Python 列表和 Matlab 不同，NumPy 数组的切片仅仅是原数组的一个视 图。换言之，NumPy 切片并不会创建新的变量，示例如下。

习惯 Matlab 的用户可能无法理解，但其实这正是 NumPy 的精妙之处。试想 一下，一个几百万条数据的数组，每次切片时都创建一个新变量，势必造成大量 的内存浪费。因此，NumPy 的切片被设计为原数组的视图是极好的。

深度学习中为节省内存，将多次使用 arr[:] = <表达式> 来替代 arr = <表达式>。

（2）备份切片为新变量

如果真的需要为切片创建新变量（这种情况很稀少），使用 .copy( ) 方法。

3.5 数组赋值仅是绑定

（1）数组赋值仅是绑定

与 NumPy 数组的切片一样，NumPy 数组完整的赋值给另一个数组，也只是 绑定。换言之，NumPy 数组之间的赋值并不会创建新的变量，示例如下。

（2）复制数组为新变量

如果真的需要赋给一个新数组，使用 .copy( ) 方法。

四、数组的变形

4.1 数组的转置

数组的转置方法为 .T，其只对矩阵有效，因此遇到向量要先将其转化为矩阵。

（1）向量的转置

（2）矩阵的转置

行矩阵的转置刚演示了，列矩阵的转置如示例所示。

4.2数组的翻转

数组的翻转方法有两个，一个是上下翻转的 np.flipud( ) ，表示 up-down； 一个是左右翻转的 np.fliplr( )，表示 left-right。其中，向量只能使用 np.flipud( )， 在数学中，向量并不是横着排的，而是竖着排的。

（1）向量的翻转

（2）矩阵的翻转

4.3数组的重塑

想要重塑数组的形状，需要用到 .reshape( ) 方法。

前面说过，给定了其他维度的数值，剩下一个维度可以填-1，让它自己去计 算。比如把一个 5 行 6 列的矩阵重塑为 3 行 10 列的矩阵，当列的参数 10 告诉 它，行的参数直接可以用-1 来替代，它会自己去用 30 除以 10 来计算。

（1）向量的变形

4.4数组的拼接

（1）向量的拼接

两个向量拼接，将得到一个新的加长版向量

（2）矩阵的拼接

两个矩阵可以按不同的维度进行拼接，但拼接时必须注意维度的吻合。

最后要说明的是，向量和矩阵不能进行拼接，必须先把向量升级为矩阵。

4.5数组的分裂

（1）向量的分裂

向量分裂，将得到若干个更短的向量

np.split( )函数中，给出的第二个参数[2,8]表示在索引[2]和索引[8]的位置截断。

（2）矩阵的分裂

矩阵的分裂同样可以按不同的维度进行，分裂出来的均为矩阵。

  五、数组的运算

  5.1数组与系数之间的运算

  5.2数组与数组之间的运算

同维度数组间的运算即对应元素之间的运算，这里仅以矩阵为例，向量与向量的操作与之相同。

5.3广播

5.2 是同形状数组之间的逐元素运算，本节讲解不同形状的数组之间的运算。 本课件仅讨论二维数组之内的情况，不同形状的数组之间的运算有以下规则：

⚫ 如果是向量与矩阵之间做运算，向量自动升级为行矩阵；

⚫ 如果某矩阵是行矩阵或列矩阵，则其被广播，以适配另一个矩阵的形状。

（1）向量被广播

当一个形状为(x,y)的矩阵与一个向量做运算时，要求该向量的形状必须为 y， 运算时向量会自动升级成形状为(1,y)的行矩阵，该形状为(1,y)的行矩阵再自动被 广播为形状为(x,y)的矩阵，这样就与另一个矩阵的形状适配了。

（2）列矩阵被广播

当一个形状为(x,y)的矩阵与一个列矩阵做运算时，要求该列矩阵的形状必须为(x,1)，该形状为(x,1)的列矩阵再自动被广播为形状为(x,y)的矩阵，这样就与另 一个矩阵的形状适配了。

（3）行矩阵与列矩阵同时被广播

当一个形状为(1,y)的行矩阵与一个形状为(x,1) 的列矩阵做运算时，这俩矩阵 都会被自动广播为形状为(x,y)的矩阵，这样就互相适配了。

六、数组的函数

6.1 矩阵乘积

⚫ 第五章中的乘法都是“逐元素相乘”，这里介绍线性代数中的矩阵乘积， 本节只需要使用 np.dot( ) 函数。

⚫ 当矩阵乘积中混有向量时，根据需求，其可充当行矩阵，也可充当列矩阵， 但混有向量时输出结果必为向量。

（1）向量与向量的乘积

设两个向量的形状按前后顺序分别是 5 以及 5 。从矩阵乘法的角度，有 (1,5)*(5,1) = (1,1)，因此输出的应该是形状为 1 的向量。

（2）向量与矩阵的乘积

设向量的形状是 5，矩阵的形状是 (5,3) 。从矩阵乘法的角度，有 (1,5)(5,3) = (1,3)，因此输出的应该是形状为 3 的向量。

（3）矩阵与向量的乘积

设矩阵的形状是 (3,5) ，向量的形状是 5。从矩阵乘法的角度，有 (3,5)*(5,1) = (3,1)，因此输出的应该是形状为 3 的向量。

（4）矩阵与矩阵的乘积

设两个矩阵的形状按前后顺序分别是 (5,2) 以及 (2,8) 。从矩阵乘法的角度， 有(5,2)*(2,8) = (5,8) ，因此输出的应该是形状为 (5,8) 的矩阵。

6.2 数学函数

NumPy 设计了很多数学函数，这里列举其中最重要、最常见的几个

6.3 聚合函数

聚合很有用，这里用矩阵演示。向量与之一致，但没有 axis 参数。以下在注 释中介绍了 6 个最重要的聚合函数，其用法完全一致，仅演示其中 3 个。

⚫ 当 axis=0 时，最终结果与每一行的元素个数一致； 当 axis=1 时，最终结果与每一列的元素个数一致。

   ⚫ 考虑到大型数组难免有缺失值，以上聚合函数碰到缺失值时会报错，因此 出现了聚合函数的安全版本，即计算时忽略缺失值：np.nansum( )、 np.nanprod( ) 、np.nanmean( )、np.nanstd( )、np.nanmax( )、np.nanmin( )。

七、布尔型数组

除了整数型数组和浮点型数组，还有一种有用的数组类型——布尔型数组。

7.1 创建布尔型数组

由于 NumPy 的主要数据类型是整数型数组或浮点型数组，因此布尔型数组 的产生离不开：大于、大于等于=、等于==、不等号!=、小于<、小于等于<=。

首先，我们将数组与系数作比较，以产生布尔型数组，示例如下。

其次，我们将同维数组作比较，以产生布尔型数组，示例如下。

最后，还可以同时比较多个条件。Python 基础里，同时检查多个条件使用的 与、或、非是 and、or、not。但 NumPy 中使用的与、或、非是 & 、 | 、 ~ 。

7.2 布尔型数组中 True 的数量

有三个关于 Ture 数量的有用函数，分别是 np.sum( )、np.any( )、np.all( )。 np.sum( )函数：统计布尔型数组里 True 的个数。示例如下。

在 In [3]里，np.abs(arr) < 1 可以替换为 (arr>-1) & (arr<1) 。此外，最终统计 的数量为 6814，其概率近似为 0.6827，这符合统计学中的 3σ 准则。

np.any( )函数：只要布尔型数组里含有一个及其以上的 True，就返回 True。

np.all( )函数：当布尔型数组里全是 True 时，才返回 True，示例如下。

7.3 布尔型数组作为掩码

  若一个普通数组和一个布尔型数组的维度相同，可以将布尔型数组作为普通 数组的掩码，这样可以对普通数组中的元素作筛选。给出两个示例。 第一个示例，筛选出数组中大于、等于或小于某个数字的元素。

第二个示例，筛选出数组逐元素比较的结果。

        

7.4 满足条件的元素所在位置

现在我们来思考一种情况：假设一个很长的数组，我想知道满足某个条件的 元素们所在的索引位置，此时使用 np.where( )函数。