Numpy库

0.1 NumPy 安装

• pip 安装命令行执行：pip install numpy

• Anaconda 平台安装：conda install numpy

• 安装完成测试：import numpy, 如果安装完成导入之后不报错，则证明安装成功。

0.2 NumPy 基本数据类型

• bool_ 布尔型数据类型（True 或者 False）

• int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64）

• intc 与 C 的 int 类型一样，一般是 int32 或 int 64

• intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）

• int8 字节（-128 to 127）

• int16 整数（-32768 to 32767）

• int32 整数（-2147483648 to 2147483647）

• int64 整数（-9223372036854775808 to 9223372036854775807）

• uint8 无符号整数（0 to 255）

• uint16 无符号整数（0 to 65535）

• uint32 无符号整数（0 to 4294967295）

• uint64 无符号整数（0 to 18446744073709551615）

• flfloat_ flfloat64 类型的简写

• flfloat16 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位

• flfloat32 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位

• flfloat64 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位

• complex_ complex128 类型的简写，即 128 位复数

• complex64 复数，表示双 32 位浮点数（实数部分和虚数部分）

• complex128 复数，表示双 64 位浮点数（实数部分和虚数部分）

numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_np.int32，np.flfloat32，等等。

0.3 NumPy 数组

• NumPy 数组是一个多维数组对象 Ndarray，由数组实际数据与描述这些数据的元数据组成。

• 一般来说，大部分操作仅针对于元数据，而不改变底层实际的数据。

• 需要注意的是，NumPy 数组的下标起始位 0，同一个 NumPy 数组中的所有元素类型必须相同，NumPy 数组的创建访问中 () 与 [] 功能没有什么区别。

0.4 NumPy 基础数组创建

NumPy 数组有很多种创建方式，一般常用的方式是将 list 转换为 np.array:

import numpy as np
a = [1,2,3]
b = np.array(a)
b

输出

array([1, 2, 3])

或者是：

a = np.array([1,2,3], float)
a

输出

array([1, 2, 3])

这里的 float 用于指定数据类型，可以不写，也可以写为 float 等其它类型, 需要注意的是，使用array() 函数创建数组时，参数必须是方括号括起来的列表。

下面创建多维数组

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

输出

array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])

0.5 NumPy 特殊数组创建

NumPy 提供了一些使用占位符创建数组的函数，这些数组在机器学习中是比较常见的。在创建过程中我们同样可以使用 dtype = int 指定元素类型：

a = np.zeros((2,3), dtype = float)
a

输出

array([[0., 0., 0.],[0., 0., 0.]])

创建一个全为 1 的数组：

a = np.ones((3, 3))
a

输出

array([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])

创建等差数列，从 1 开始，5 结束，0.5 为差的等差数列，最后一项一定小于 5：

a = np.arange(1, 5, 0.5)
a

输出

array([1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5])

创建单位矩阵（矩阵的乘法中，有一种矩阵起着特殊的作用，如同数的乘法中的 1，这种矩阵被称为单位矩阵。它是个方阵，从左上角到右下角的对角线（称为主对角线）上的元素均为 1。），参数可以指定大小：

a = np.eye(3)
a

输出

array([[1., 0., 0.],[0., 1., 0.],[0., 0., 1.]])

生成指定长度，在 [0,1) 之间平均分布的随机数组：

np.random.random(5)

输出

array([0.39448889, 0.34565971, 0.88672892, 0.94258034, 0.05633518])

生成指定长度，符合正态分布的随机数组，指定其均值为 0，标准差为 0.1：

mu,sigma = 0, 0.1
np.random.normal(mu, sigma, 5)

输出

array([-0.02168114, 0.08116314, -0.10573889, -0.0143433 , -0.10197173])

0.6 NumPy 数组的访问

和 list 的访问形式基本一致，支持切片操作，我们可以切片每一个维度，索引每一个维度：

a = np.array([(1,2), (3,4), (5,6)])
a[0]

输出

array([1, 2])

a[1:]

输出

array([[3, 4],[5, 6]])

a[: , :1]

输出

array([[1],[3],[5]])

a[1][1]

输出

4

使用 take() 函数进行操作，take(indices[, axis, out, mode]) 提取指定索引位置的数据, 并以一维数组或者矩阵返回 (主要取决 axis)：

a = np.array([1,2,3])
a.take(1)

输出

2

b = np.array([(1,2,3), (4,5,6)])
b.take(1, axis = 1)

输出

array([2, 5])

0.7 NumPy 数组的遍历

一维数组遍历

a = np.array([1,2,3])
for i in a:
	print(i)

输出

1

2

3

多维数组的遍历：

a = np.array([
              (1,2), 
              (3,4), 
              (5,6)])
for i,j in a:
	print(i*j)

输出

21230

0.8 NumPy 数组的常用属性

比较常用的属性有：

ndarray.ndim: 数组的维度（数组轴的个数），等于秩

ndarray.shape: 数组的大小。为一个表示数组在每个维度上大小的整数元组。例如二维数组中，表示数组的’’ 行数’’ 和’’ 列数”

ndarray.size: 数组元素的总个数，等于 shape 属性中元组元素的乘积

ndarray.dtype: 表示数组中元素类型的对象

ndarray.itemsize: 数组中每个元素的字节大小

ndarray.data: 包含实际数组元素的缓冲区，一般不用

img = plt.readimg('xxx.jpg')

# 100*100
# 颜色通道
# 宽度
# 高度
img  # [数量,宽,高,颜色] => [10,100,100,3]

a = np.array([(1,2,3), (4,5,6), (7,8,9)])
print("ndim:", a.ndim)
print("shape:", a.shape)
print("size", a.size)
print("dtype", a.dtype)
print("itemsize", a.itemsize)
print("data", a.data)

输出

ndim: 2shape: (3,3)size: 9dtype: dtype(’int32’)itemsize: 4data: <memory at 0x00000000058F8C18>

0.9 NumPy 数组的基本操作

• in:检测数值是否在数组中

a = np.array([(1,2), (3,4)])
print(3 in a)
print(5 in a)

输出

TrueFalse

---

• reshape: 数组的重排列，例如将一个 3 维数组转变为 1 维（元素数一定要保持不变）

a = np.zeros([2,3,4])
a

输出

array([[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]],[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]])

a.reshape(24)

输出

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0.])

---

• insert: 插入元素，insert(arr, obj, values, axis) 其中参数

arr 是指数组，

obj 是指插入轴的对应下标，

values 是插入的值，

axis 指插入的轴是哪一个，axis = 0 插入行，axis = 1 插入列

a = np.array([(1,2,3), (4,5,6), (7,8,9)])
a = np.insert(a, 0, 0, axis = 0)
a

输出array([[0, 0, 0],[1, 2, 3],[4, 5, 6],[7, 8, 9]])

---

• delete: 删除元素参数如下

arr：数组

obj：删除某一轴的对应标号

axis：axis=0 删除行，axis=1 删除列

np.delete(a, 0, axis = 1)

输出

array([[0, 0],[2, 3],[5, 6],[8, 9]])

---

• copy：创建一个新的，内存分离的拷贝，赋值与 copy 的区别在于一个是浅拷贝，一个是深拷贝。

• 赋值操作，两个变量指向同一个空间；

• copy 操作，两个指向不同的空间

a = np.array([1,2,3])
b = a
b is a

输出

True

b = a.copy()
b is a

输出

False

a = np.array([1])
b

输出

array([1, 2, 3])

---

• transpose：转置 (可以直接.T）

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

输出array([[1, 4, 7],[2, 5, 8],[3, 6, 9]])

a.T

输出array([[1, 4, 7],[2, 5, 8],[3, 6, 9]])

---

• fill：用一个值填充数组

a = np.array([1,2,3])
a.fill(0)
a

输出

array([0, 0, 0])

---

• flatten: 把多维数组转换为一维数组，注意每个元组的长度是相同的

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

输出

array([1, 2, 3, 4, 5, 6])

---

• newaxis: 增加维度

a = np.array([1,2,3])
a.shape

输出

(3,)

a = a[ :, np.newaxis]
a

输出

array([[1],[2],[3]])

a.shape

输出

(3, 1)

---

• tile：重复指定数组

a = np.array([(1,2), (3,4)])
np.tile(a, (2,3))

输出

array([[1, 2, 1, 2, 1, 2],[3, 4, 3, 4, 3, 4],[1, 2, 1, 2, 1, 2],[3, 4, 3, 4, 3, 4]])

---

0.10 NumPy 数组的数学操作

• 加减乘除

* 星乘表示矩阵内各对应位置相乘，点乘表示求矩阵内积，二维数组称为矩阵积（mastrix product）：

a = np.ones((2,2))
b = np.array([(-1,1),(-1,1)])
print(a)
print(b)

输出

array([[1., 1.],[1., 1.]])

array([[-1, 1],[-1, 1]])

a + b

输出

array([[0., 2.],[0., 2.]])

a - b

输出

array([[2., 0.],[2., 0.]])

a * b

输出

array([[-1., 1.],[-1., 1.]])

a / b

输出

array([[-1., 1.],[-1., 1.]])

a.dot(b)

输出

array([[-2., 2.],[-2., 2.]])

• NumPy 中的常量

np.e

输出

2.718281828459045

np.pi

输出

3.141592653589793

np.Inf

输出

inf

np.NaN

输出

nan

• sum: 求和，prod: 求积，数组的成员函数也可以用于 NumPy 的标准函数

a = np.array([1,2,1])
a.sum()

输出

4

a.prod()

输出

2

• mean,var,std,max,min: 平均数，方差，标准差，最大值，最小值

a = np.array([5,3,1])
print("mean:",a.mean())
print("var:", a.var())
print("std:", a.std())
print("max:", a.max())
print("min:", a.min())

输出

mean: 3.0

var: 2.6666666666666665

std: 1.632993161855452

max: 5

min: 1

• argmax,argmin: 最大与最小值对应的索引值; ceil, floor, rint: 取元素值上限，下限，四舍五入

a = np.array([1.2, 3.8, 4.9])
print("argmax:", a.argmax())
print("argmin:", a.argmin())
print("ceil:", np.ceil(a))
print("floor:", np.floor(a))
print("rint:", np.rint(a))

输出

argmax: 2argmin: 0ceil: array([2., 4., 5.])floor: array([1., 3., 4.])array([1., 4., 5.])

• unique: 去除数组中重复的值，clip: 把数组里的元素限定到指定范围，并且超出范围的最大值与最小值变为对应的上下限

a = np.array([1,1,1,2,2,3,4,4,5,5,6,6,6])
print("unique:",np.unique(a))
print("clip:", a.clip(2,5))

输出

unique: array([1, 2, 3, 4, 5, 6])clip: array([2, 2, 2, 2, 2, 3, 4, 4, 5, 5, 5, 5, 5])

• sort: 排序

a = np.array([16,31,12,28,22,31,48])
a.sort()
a

输出

array([12, 16, 22, 28, 31, 31, 48])

• diagonal: 取对角元素

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

输出

array([1, 5, 9])

除了上述函数外，还有很多数据运算操作，它们的使用方式基本都类似，例如：abs, sign, sqrt, log,log10, exp, sin, cos, tan, arcsin, arccos, arctan, sinh, cosh, tanh, arcsinh, arccosh,arctanh 等等。

0.11 NumPy 线性代数

有关线性代数的运算均在 numpy.linalg 中;

矩阵 (matrix) 是 array 的分支，matrix 和 array 在很多时候都是通用的，用哪一个都一样。官方建议大家如果两个可以通用，那就选择 array，因为 array 更灵活，速度更快。

array 的优势就是不仅仅表示二维，还能表示 3、4、5... 维，而且在大部分 Python 程序里，array 也是更常用的。

dot: 矩阵乘法，对于两个一维的数组，计算的是这两个数组对应下标元素的乘积和 (数学上称之为内积)；

对于二维数组，计算的是两个数组的矩阵乘积；

对于多维数组，它的通用计算公式如下，即结果数组中的每个元素都是：数组 a 的最后一维上的所有元素与数组 b 的倒数第二位上的所有元素的乘积和：dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])

• diag: 返回矩阵对角线元素，前文我们已经演示

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

输出

array([1, 5, 9])

• trace: 对角线元素和

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

输出

15

• det: 行列式，函数计算输入矩阵的行列式，行列式在线性代数中是非常有用的值，它从方阵的对角元素计算。

对于 2 X 2 矩阵，它是左上和右下元素的乘积与其他两个的乘积的差，换句话说，对于矩阵 [[a，b]，[c，d]]，行列式计算为 ad-bc。

a = np.array([(1,2), (3,4)])
np.linalg.det(a)

输出

2.0000000000000004

下面还有一些函数可以使用，这里不一一列出来作用，当我们碰到具体问题时，去查询相应的具体知识点就可以，这里我们只需大概了解有这么多函数可以使用。

eig: 特征值、特征向量

inv: 逆

qr:QR 分解

svd: 奇异值分解

solve: 解线性方程 Ax=b

lstsq: 计算Ax=b 的最小二乘解

0.12 NumPy 随机数

所有有关线性代数的运算均在 np.random 中

rand: 均匀分布的样本值

randint: 给定上下限的随机整数

randn: 标准正态分布

binomial: 二项分布

normal: 正态分布

chisquare: 卡方分布

gamma: Gamma 分布

uniform:[0,1] 之间的均匀分布

poisson: 泊松分布

shuffle: 洗牌

0.13 文件操作

二进制文件：np.save 、np.load

文本文件：np.loadtxt、np.savetxt

二进制文件会存储为.npy 的格式

0.14 NumPy 广播机制

广播 (Broadcast) 是 numpy 对不同形状 (shape) 的数组进行数值计算的方式，对数组的算术运算通常在相应的元素上进行。如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。

a = np.array([1,2,3])
b = np.array([4,5,6])
a + b

输出

array([5, 7, 9])

当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制

a = np.array([(1,2), (2,2), (3,3), (4,4)])
b = np.array([-1,1])
a + b

输出

array([[0, 3],[1, 3],[2, 4],[3, 5]])