数据分析与可视化基础 (1) ：NumPy数组库

NumPy是一个开源的Python科学计算基础库，主要用于对大量数据进行高效存储和计算，提供了许多向量和矩阵操作，能够帮助轻松完成科学与工程中常用的各种计算，不仅方便易用而且效率更高。

PyTorch张量的语法与NumPy数组基本相同或相似，具体区别详见下文。

import numpy as np

---

数据分析与可视化基础 (1) ：NumPy数组库
数据分析与可视化基础 (2) ：Pandas标签库
数据分析与可视化基础 (3) ：Matplotlib绘图库

---

---

1 NumPy数组基础

1.1 数据类型

一个NumPy数组只容纳一种数据类型，可分为整数型数组、浮点型数组和布尔型数组等。初始化时可通过设置dtype属性来指定数据类型。

同化定理：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；往浮点型数组里插入整数，该整数会自动升级为浮点数。

想实现整数型数组和浮点型数组的相互转换，可以使用.astype()方法指定转换类型（PyTorch中为.type()）。整数型数组在运算过程中升级为浮点型数组。

arr1 = np.array([1, 2, 3])		# 元素若都是整数，则为整数型数组
arr2 = np.array([1.0, 2, 3])	# 内含浮点数，则为浮点型数组

print(arr2.astype(int))	# 浮点型降级
print(arr1 + 10.0)		# 整数型进行各种浮点运算会升级
print(arr1 / 1)			# 整数型遇到除法也会升级（即使除以整数）

1.2 形状参数（shape）

不同维度的数组在外形上的表现为：$n$ 维数组使用 $n$ 层中括号表示。可以用形状参数来描述数组的形状：

• 一维数组的形状参数：x 或 (x,)
  【例】[1, 2, 3]的形状为3或[3,]
• 二维数组的形状参数：(x, y)
  【例】[[1, 2, 3]]的形状为(1, 3)
• 三维数组的形状参数：(x, y, z)
  【例】[[[1, 2, 3]]]的形状为(1, 1, 3)

使用数组的shape属性查看形状参数。

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr, arr.shape)

本文将一维数组称为向量， 二维数组称为矩阵。

可使用数组的重塑方法.reshape()（或.resize()来直接修改数组）对数组进行重塑，需要传入重塑后的形状参数（shape）。给定了其他维度的数值，剩下一个维度可以填-1，让其自动计算。

1.3 数组初始化函数

1.3.1 创建指定数组：np.array()

当明确知道数组每一个元素的具体数值时，使用np.array()函数将Python列表转化为NumPy数组。

arr1 = np.array([1, 2, 3])              # 创建向量
arr2 = np.array([[1, 2, 3]])            # 创建行矩阵
arr3 = np.array([[1], [2], [3]])        # 创建列矩阵
arr4 = np.array([[1, 2, 3], [4, 5, 6]]) # 创建矩阵
print(arr1, '\n')
print(arr2, '\n')
print(arr3, '\n')
print(arr4)

PyTorch中的torch.tensor()用同样方式创建指定张量。NumPy的 $n$ 维数组与PyTorch的 $n$ 阶张量可相互转换：

# 数组arr转为张量ts
ts = torch.tensor(arr);
# 张量ts转为数组arr
arr = np.array(ts)

1.3.2 创建递增数组：np.arange()

使用np.arange()函数创建递增数组，可设置左闭右开区间的两端点以及步长（默认步长为1）。（同Python的range()函数）

arr1 = np.arange(10)        # [0, 10)
arr2 = np.arange(-8, 8)     # [-8, 8)
arr3 = np.arange(1, 21, 2)  # [1, 21), 步长为2
print(arr1)
print(arr2)
print(arr3)

1.3.3 创建同值数组：np.zeros()、np.ones()

使用np.zeros()函数创建零向量/全0数组，使用np.ones()函数创建单位向量/全1数组。给全1矩阵乘以标量即得全为任意指定数值的矩阵。

arr1 = np.zeros(5)              # 形状为5的零向量
arr2 = np.ones((1, 3))          # 形状为(1, 3)的全1矩阵
arr3 = 3.14 * np.ones((3, 4))   # 形状为(3, 4)的元素全为3.14的矩阵
print(arr1, '\n')
print(arr2, '\n')
print(arr3)

1.3.4 创建随机数组：np.random系列

使用np.random系列函数创建随机数组

1. np.random.random()：返回0~1均匀分布的浮点型随机数组，需传入形状参数。可进一步操作实现生成任意范围内的随机浮点数。（PyTorch中为torch.rand()）

arr1 = np.random.random(10)
arr2 = (100 - 60) * np.random.random((3, 3)) + 60	# 创建60~100均匀分布的随机数组
print(arr1, '\n')
print(arr2)

2. np.random.randint()：创建整数型随机数组，在指定形状参数之前还需额外输入范围参数。（PyTorch中为torch.randint()，且不接纳一维向量）

arr1 = np.random.randint(10, 100, (3, 5))	# 元素为[10, 100)上的整数型随机数
print(arr1)

3. np.random.normal()：生成服从正态分布的随机数组，在指定形状参数之前还需额外输入正态参数，即均值、方差。（PyTorch中为torch.normal()，且不接纳一维向量）
4. np.random.randn()：直接生成服从标准正态分布（均值为0、方差为1）的随机数组，只需指定形状参数。（PyTorch中为torch.randn()）

arr1 = np.random.randn(3, 4)   # 等价于 np.random.normal(0, 1, (3, 4))
print(arr1)

1.3.5 其他常用的创建方法

• np.empty(shape)：内存创建。分配数组大小内存，而不产生实际值。具有相同效果的还有有empty_like()函数。
• np.full(shape, val)：填充创建。指定数组形状，再指定一个数填充入该结构中。
• np.linspace(start, end, num=50)：等差数组创建，生成从start到end上的num个数的等差数列。参考arange()函数。
• np.logspace(start, end, num=50, base=10)：等比数组创建，生成从start * base到end * base上的num个数的等比数列。参考arange()函数。
• ones_like(a)、zeros_like(a)、full_like(a, val)：根据所传入数组的形状创建

---

2 数组的索引

2.1 访问数组元素

与Python列表基本一致，访问NumPy数组元素时使用中括号，索引由0开始。

arr1 = np.arange(1, 10)
print(arr1)

print(arr1[3], arr1[-1])

arr1[5] = 99.8	# 元素可被修改；浮点数插入到整数型数组时会被截断 
print(arr1)

访问多维数组时，只使用1个中括号，各维索引之间用逗号分隔即可。

arr1 = np.arange(