用 NumPy 在 Python 中处理数字

my_list.min

1

print('Time elapsed in milliseconds: ’ + str((time.time - start) * 1000))

Time elapsed in milliseconds: 1151.1778831481934

start = time.time

my_list.max

999999999

print('Time elapsed in milliseconds: ’ + str((time.time - start) * 1000))

Time elapsed in milliseconds: 1114.8970127105713

找到最小值花了大约 1151 毫秒，找到最大值 1114 毫秒。这大约是 1 秒。

正如你所看到的，使用 NumPy 可以将寻找一个大约有 10 亿个值的列表的最小值和最大值的时间 从大约 28 秒减少到 1 秒。这就是 NumPy 的强大之处。

使用 Python 列表创建 ndarray

有几种方法可以在 NumPy 中创建 ndarray。

你可以通过使用元素列表来创建一个 ndarray：

my_ndarray = np.array([1, 2, 3, 4, 5])

print(my_ndarray)

[1 2 3 4 5]

有了上面的 ndarray 定义，我将检查几件事。首先，上面定义的变量的类型是 numpy.ndarray。这是所有 NumPy ndarray 的类型：

type(my_ndarray)

这里要注意的另一件事是 “形状shape”。ndarray 的形状是 ndarray 的每个维度的长度。你可以看到，my_ndarray的形状是(5,)。这意味着my_ndarray包含一个有 5 个元素的维度（轴）。

np.shape(my_ndarray)

(5,)

数组中的维数被称为它的 “秩rank”。所以上面的 ndarray 的秩是 1。

我将定义另一个 ndarray my_ndarray2作为一个多维 ndarray。那么它的形状会是什么呢？请看下面：

my_ndarray2 = np.array([(1, 2, 3), (4, 5, 6)])

np.shape(my_ndarray2)

(2, 3)

这是一个秩为 2 的 ndarray。另一个要检查的属性是 dtype，也就是数据类型。检查我们的 ndarray 的dtype可以得到以下结果：

my_ndarray.dtype

dtype(‘int64’)

int64意味着我们的 ndarray 是由 64 位整数组成的。NumPy 不能创建混合类型的 ndarray，必须只包含一种类型的元素。如果你定义了一个包含混合元素类型的 ndarray，NumPy 会自动将所有的元素类型转换为可以包含所有元素的最高元素类型。

例如，创建一个 int和float的混合序列将创建一个float64的 ndarray：

my_ndarray2 = np.array([1, 2.0, 3])

print(my_ndarray2)

[1. 2. 3.]

my_ndarray2.dtype

dtype(‘float64’)

另外，将其中一个元素设置为 string将创建dtype等于

my_ndarray2 = np.array([1, ‘2’, 3])

print(my_ndarray2)

[‘1’ ‘2’ ‘3’]

my_ndarray2.dtype

dtype(’

size属性将显示我们的 ndarray 中存在的元素总数：

my_ndarray = np.array([1, 2, 3, 4, 5])

my_ndarray.size

5

使用 NumPy 方法创建 ndarray

如果你不想直接使用列表来创建 ndarray，还有几种可以用来创建它的 NumPy 方法。

你可以使用 np.zeros来创建一个填满 0 的 ndarray。它需要一个“形状”作为参数，这是一个包含行数和列数的列表。它还可以接受一个可选的dtype参数，这是 ndarray 的数据类型：

my_ndarray = np.zeros([2,3], dtype=int)

print(my_ndarray)

[[0 0 0]

[0 0 0]]

你可以使用 np. ones来创建一个填满1的 ndarray：

my_ndarray = np.ones([2,3], dtype=int)

print(my_ndarray)

[[1 1 1]

[1 1 1]]

你可以使用 np.full来给 ndarray 填充一个特定的值：

my_ndarray = np.full([2,3], 10, dtype=int)

print(my_ndarray)

[[10 10 10]

[10 10 10]]

你可以使用 np.eye来创建一个单位矩阵 / ndarray，这是一个沿主对角线都是1的正方形矩阵。正方形矩阵是一个行数和列数相同的矩阵：

my_ndarray = np.eye(3, dtype=int)

print(my_ndarray)

[[1 0 0]

[0 1 0]

[0 0 1]]

你可以使用 np.diag来创建一个沿对角线有指定数值的矩阵，而在矩阵的其他部分为0：

my_ndarray = np.diag([10, 20, 30, 40, 50])

print(my_ndarray)

[[10 0 0 0 0]

[ 0 20 0 0 0]

[ 0 0 30 0 0]

[ 0 0 0 40 0]

[ 0 0 0 0 50]]

你可以使用 np.range来创建一个具有特定数值范围的 ndarray。它是通过指定一个整数的开始和结束（不包括）范围以及一个步长来创建的：

my_ndarray = np.arange(1, 20, 3)

print(my_ndarray)

[ 1 4 7 10 13 16 19]

读取 ndarray

ndarray 的值可以使用索引、分片或布尔索引来读取。

使用索引读取 ndarray 的值

在索引中，你可以使用 ndarray 的元素的整数索引来读取数值，就像你读取 Python 列表一样。就像 Python 列表一样，索引从 0开始。

例如，在定义如下的 ndarray 中：

my_ndarray = np.arange(1, 20, 3)

第四个值将是 my_ndarray[3]，即10。最后一个值是my_ndarray[-1]，即19：

my_ndarray = np.arange(1, 20, 3)

print(my_ndarray[0])

1

print(my_ndarray[3])

10

print(my_ndarray[-1])

19

print(my_ndarray[5])

16

print(my_ndarray[6])

19

使用分片读取 ndarray

你也可以使用分片来读取 ndarray 的块。分片的工作方式是用冒号（:）操作符指定一个开始索引和一个结束索引。然后，Python 将获取该开始和结束索引之间的 ndarray 片断：

print(my_ndarray[:])

[ 1 4 7 10 13 16 19]

print(my_ndarray[2:4])

[ 7 10]

print(my_ndarray[5:6])

[16]

print(my_ndarray[6:7])

[19]

print(my_ndarray[:-1])

[ 1 4 7 10 13 16]

print(my_ndarray[-1:])

[19]

分片创建了一个 ndarray 的引用（或视图）。这意味着，修改分片中的值也会改变原始 ndarray 的值。

比如说：

my_ndarray[-1:] = 100

print(my_ndarray)

[ 1 4 7 10 13 16 100]

对于秩超过 1 的 ndarray 的分片，可以使用 [行开始索引:行结束索引, 列开始索引:列结束索引]语法：

my_ndarray2 = np.array([(1, 2, 3), (4, 5, 6)])

print(my_ndarray2)

[[1 2 3]

[4 5 6]]

print(my_ndarray2[0:2,1:3])

[[2 3]

[5 6]]

使用布尔索引读取 ndarray 的方法

读取 ndarray 的另一种方法是使用布尔索引。在这种方法中，你在方括号内指定一个过滤条件，然后返回符合该条件的 ndarray 的一个部分。

例如，为了获得一个 ndarray 中所有大于 5 的值，你可以指定布尔索引操作 my_ndarray[my_ndarray > 5]。这个操作将返回一个包含所有大于 5 的值的 ndarray：

my_ndarray = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

my_ndarray2 = my_ndarray[my_ndarray > 5]

print(my_ndarray2)

[ 6 7 8 9 10]

例如，为了获得一个 ndarray 中的所有偶数值，你可以使用如下的布尔索引操作：

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！