【Python学习】Numpy库简单使用

Numpy库简单使用

这篇笔记是针对numpy的简单使用，所有函数只对经常会用到的参数进行说明，今后这篇笔记也会不断在项目实践的过程中不断修改和补充内容，如果笔记中的内容出现问题，欢迎各位在评论区反映，我会及时修改的！

1.创建数组

#定义整形数组
np.array([1,4,2,5,3])

注意numpy智能定义同一类型的数据，如果数据不匹配，Numpy会向上转换
如果希望明确数组的数据类型，可以用dtype关键字：

np.array([1,2,3,4,5],dtype='float32')
#output:array([1.,2.,3.,4.,5.,],dtype='float32)

创造数组

• np.zeros(10,dtype=int) 创建一个长度为10的数组，数组的值都是0
• **np.ones((3,5),dtype=float) ** 创建一个3×5的浮点矩阵，矩阵的值都是1
• np.full((3,5),3.14) 创建一个3×5的浮点型数组，数组值都是3.14
• np.arange(0,20,2) 创建一个线性序列数组，从0开始，到20结束，步长为2(当然还是左闭右开)|结果：array([0,2,4,6,8,10,12,14,16,18])
• np.linspace(0,1,5) 创建一个5个元素的数组，这5个数均匀地分配到0~1 结果：array([0.,0.25,0.5,0.75,1.])

• np.random.random((3,3)) 创建一个3×3的，在0~1均匀分布的随机数组成的数组

• np.random.normal(0,1,(3,3)) 创建一个3×3的均值为0标准差为1的正态分布的随机数组
• np.random.randint(0,10,(3,3)) 创建一个3×3的[0,10)区间内随机整形数组
• np.eye(3) 创建一个3×3的单位矩阵
• np.empty(3) 创建一个由3个未初始化数组

NUMPY库中数据类型:

名称	描述
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）
float_	float64 类型的简写
float16	半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32	单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64	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）

2.数组对象的属性，基本操作方法

1.Numpy数组的属性：

每个数组都至少有以下几种属性：(假设x是一个numpy定义的数组)

属性	说明
x.ndim	x的维度
x.shape	x每个维度的大小
x.size	x数组的总大小（有几个数字就是几）
x.dtype	x的数据类型
x.itemsize	x每个数组元素字节大小
x.nbytes	x数组总字节大小（也就是itemsize×size）

numpy.random中有种子值功能，使用示范：

import numpy as np
np.random.seed(12345)
x=np.random.randint(3,size=(2,3))#随便定义了一个2×3的数组，如果是三维就是size就是(2,2,5)这样的，一维直接传个数字就可以
x_temp=np.random.randint(3,size=(2,3))

print(x,'\n\n',x_temp)
#输出：
#[[2 1 1]
# [1 0 1]]

 #[[2 2 1]
# [2 1 1]]

2.数组的索引

跟python列表的操作几乎完全相同，大概以下几点：

print(x1)#array[(1,2,3,4,5)]
print(x1[0])#1
print(x1[-1],x1[-2])#5 4
print(x2)#array([[1,2,3],
#				[4,5,6],
#    			[7,8,9]])
print(x2[0,1])#4
print(x2[0])#array[(1,2,3)]

同样，跟列表相同，ndarray可以通过索引修改数值，但是对整形进行浮点型的修改，浮点型会被截断，以下面为例:

x1=np.array([1,2,3],dtype='int8')
x1[0]=3.14
print(x1)#array[(3,2,3)]

3.数组切片获取子数组

这里也是，和python列表操作几乎相同，需要注意的是以下几点：

切片：x[start=0:stop=总列数(维数):step=1]

step可以是负数，这个时候就是倒序，-2表示每隔2个取一次值逆序

stop是维度的大小，从1开始！！！而不是从0开始！！！这里跟取索引不一样

ndaary允许多维度裁切例如：

x1=np.array([[1,2,3],[4,5,6],[7,8,9]])
x1[:1,:3]#array([1,2,3])

4.创建数组的副本

跟python列表不一样的一点是：如果你对ndarray数组的切片部分进行修改，那么原来被切片的数组也会被更改，众所周知，python列表的切片属于浅拷贝，而ndarray的切片则是属于深拷贝，切片得到的不是副本而是数组数据的视图

那么怎么创建数组的副本呢？这里用**copy（）**方法可以实现

>>> x
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
>>> x_copy=x.copy()
>>> x_copy
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
>>> x_copy[0,0]=5
>>> print(x_copy,x)
[[5 2 3]
 [4 5 6]
 [7 8 9]] [[1 2 3]
 [4 5 6]
 [7 8 9]]

可以看到修改了x_copy，但是原来的x并没有改变

5.数组的变形reshape（）

下面这个例子演示reshape（）的作用：

>>> grid=np.arange(1,10).reshape((3,3))
>>> grid
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

有一点要注意的是reshape中可以传入参数-1，意思是取符合要求的任意值的意思

还有一个np.newaxis，作用是在原来的对应维度基础上再加+1,这里作简要介绍：

>>> import numpy as np
>>> b = np.array([1, 2, 3, 4, 5, 6])
>>> c = b