NumPy基础学习笔记

NumPy基础学习笔记

简介

NumPy是主要面向数值计算的Python语言的扩展程序库。

NumPy数据类型

NumPy数据类型比Python更加丰富，并且他是基于矩阵进行的，首先使用numpy.array对输入的数据进行转化。

import numpy as np
a = np.array([[9,2,3],
             [2,3,4]])
print(a)
print('number of dim:',a.ndim) #输出数组维度
print('shape:',a.shape) #输出行数多少，列数多少
print('size:',a.size) #输出总共的元素是多少

得到输出结果是没有逗号分隔的列表，这也是array的概念：

[[9 2 3]
[2 3 4]]
number of dim: 2
shape: (2, 3)
size: 6

我们也可以使用一定的代码指定数值类型和数组参数。比如：dtype指定数组，astype转换数组类型。

import numpy as np
a=np.array([2,28,25],dtype=np.int32)
print(a,a.dtype) #查看a及type类型

输出结果为：

[ 2 28 25] int32

NumPy数组类型

NumPy最核心且重要的一个特性是ndarray多维数组对象，用有对高维数组的处理能力，是数值计算中很重要的特性。ndarrray具有六个参数，分别是：

• shape

• dtype

• buffer

• offset

• strides

• order

NumPy基本运算

矩阵array的加减法：

import numpy as np
a=np.array([10,20,30,40])
b=np.arange(4)
print(a,b)
c=a-b
print(c)

输出结果为：

[10 20 30 40] [0 1 2 3]
[10 19 28 37]

乘法中平方要用两个**乘号，三角函数等需要额外调用函数表示：

import numpy as np
a=np.array([10,20,30,40])
b=np.arange(4)
print(a,b)
c=10*np.sin(a)
print(c)

输出结果为：

[10 20 30 40] [0 1 2 3]
[-5.44021111 9.12945251 -9.88031624 7.4511316 ]

简单的判断输出：

加上print(c>0)之类的即可，输出为False或者True

运行矩阵的乘法：

import numpy as np
a=np.array([[1,1],
           [0,1]])
b=np.arange(4).reshape((2,2)) #定义
c=a*b
c_dot=np.dot(a,b) #另一个形式是a.dot(b),也是矩阵a和b相乘
print(a)
print(c_dot)

结果为:

[[1 1]
[0 1]]
[[2 4]
[2 3]]

生成随机矩阵，然后输出最大最小值等：还可以定义在固定的行和列中求和，如在第一行中求和等numpy.sum（a,axis=1）。

import numpy as np
a=np.random.random((2,4))
print(a)
print(np.sum(a))
print(np.max(a))
print(np.min(a))

输出结果为：

[[0.59158093 0.90361177 0.897047 0.61164592]
[0.52997834 0.83121234 0.64046197 0.39272447]]
5.398262738075469
0.9036117685336776
0.39272447025501467

NumPy的索引

矩阵最大值最小值的索引：

import numpy as np
A=np.arange(14,2,-1).reshape((3,4))
print(A)
print(np.mean(A))#平均值
print(np.mean(A,aixs=1))#对于行计算平均数
print(np.argmin(A))#最小值
print(np.argmax(A))#最大值
print(np.median(A))#中位数
print(np.cumsum(A))#累加
print(np.diff(A))#累差
print(np.nonzero(A))#非零数
print(np.sort(A))#逐行排序
print((A.T).dot(A))#转置
print(np.clip(A,5,9))#截断，不能显示小于5或者大于9的

索引并输出具体位置的元素：

import numpy as np
A=np.arange(3,15).reshape((3,4))
print(A)
print(A[1][1])#索引第一行第一列，注意行和列数都从0开始计数
print(A[1,1])#另一种表达形式
print(A[2,:])#索引第二行的所有数
print(A[:,2])#索引第二列的所有数
print(A[2,1:3])#索引第二行第一列到第三列，包含第一列，不包含第三列

import numpy as np
A=np.arange(3,15).reshape((3,4))
print(A)
for row in A:
    print(row)#输出行
for column in A.T:#转置A
    print(column)#输出行，就是原本的列
print(A.flatten())
for item in A.flat:#迭代每一个项目使用flat，形成一个迭代器，把三行四列的矩阵迭代成一个一个的项
    print(item)

NumPy的array合并

vstack上下合并，hstack左右合并，另外横向转为纵向合并需要多一些步骤。

import numpy as np
A=np.array([1,1,1])
B=np.array([2,2,2])
C=np.vstack((A,B))#vstack上下合并，变成一个数列
print(C)
D=np.hstack((A,B))#hstack左右合并，变成一个数列
print(D)
print(A.shape,C.shape,D.shape)

输出结果为：

[[1 1 1]
[2 2 2]]
[1 1 1 2 2 2]
(3,) (2, 3) (6,)

NumPy的array分割

注意：在分割的时候只使用split不能进行不等量的分割，但可以使用numpy.array_split。

import numpy as np
A=np.arange(12).reshape((3,4))
print(A)
print(np.split(A,2,axis=1))#2代表两块，axis代表对列进行操作
print(np.array_split(A,3,axis=1))

输出结果：

[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]

[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]

另外，有一个更为简化的函数

import numpy as np
A=np.arange(12).reshape((3,4))
print(np.vsplit(A,3))#纵向分割为3块
print(np.hsplit(A,2))#横向分割为2块

输出结果为：

[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]

NumPy的赋值和deep copy

赋值例如：

import numpy as np
a=np.arange(4)
b=a
c=a
print(b)
a[1:3]=[22,33]
print(c)

输出结果为：

[0 1 2 3]
[ 0 22 33 3]

如果想要b对于a赋值之后的值，但是不想关联a，可以使用deep copy的功能。

import numpy as np
a=np.arange(4)
a[1:3]=[22,33]
b=a.copy()#deep copy
print(b)
a[3]=44
print(b)

输出结果为：

[ 0 22 33 3]
[ 0 22 33 3]

尾声

numpy先学这么多吧，虽然我慢吞吞，但是加油加油加油。