numpy基本操作总结

numpy概述

numpy是一个很强大的针对数组、矩阵的科学计算库，由于机器学习大量需要进行矩阵运算，而图像的本质也是数值矩阵，因此在机器学习、图像处理应用非常频繁。这里总结一下numpy的一些常用操作。

数组类型Ndarray

• 创建数组类型Ndarray

ndarray对象是用于存放同类型元素的多维数组，是numpy中的基本对象之一。我们通常可以用numpy.array的方式创建一个ndarray的数组。

>>> pytuple = (4,5,6) 
>>> ll = np.array(pytuple) 
>>> ll 
	array([4, 5, 6])

可以通过元组tuple构建array：

>>> pytuple = (4,5,6) 
>>> ll = np.array(pytuple) 
>>> ll 
	array([4, 5, 6])

通过list构建array

>>> pylist = [0,1,2] 
>>> jj = np.array(pylist) 
>>> jj 
	array([0, 1, 2])

构建多维的array

>>> pylist1 = [1,2,3] 
>>> pylist2 = [4,5,6] 
>>> marray = np.array([pylist1,pylist2]) 
>>> marray 
	array([[1, 2, 3], 
         [4, 5, 6]])

• Ndarray对象常用属性

ndarray对象最常用属性包括：

属性	含义
T	转置，与self.transpose( )相同，如果维度小于2返回self
size	数组中元素个数
itemsize	数组中单个元素的字节长度
dtype	数组元素的数据类型对象
ndim	数组的维度
shape	数组的形状
data	指向存放数组数据的python buffer对象
flat	返回数组的一维迭代器
nbytes	数组中所有元素的字节长度

示例如下： 针对marry数组，我们可以查看：

>>> pylist1 = [1,2,3] 
>>> pylist2 = [4,5,6] 
>>> marray = np.array([pylist1,pylist2]) 

>>> marray.T 
array([[1, 4],
       [2, 5],
       [3, 6]])  
>>> marray.size
6
>>> marray.itemsize
8

>>> marray.dtype
dtype('int64')
>>> marray.ndim
2
>>> marray.shape
(2, 3)
>>> marray.data
<memory at 0x11ecaf558>

>>> for item in marray.flat: 
>>>     print(item)
1
2
3
4
5
6
>>> marray.nbytes
48

• 数组类型

在创建数组时，可以根据初始值自动推断数组的数值类型

>>> a = np.array([1,2,3.5]) 
>>> a 
	array([1. , 2. , 3.5])
>>> c = np.array(['1',2,3]) 
>>> c
	array(['1', '2', '3'], dtype='<U1') 

或者明确指定数组类型：

>>> a = np.array([1,2,3.5], dtype=np.float32) 
>>> a 
	array([1. , 2. , 3.5]) 
>>> c = np.array(['1',2,3] ,dtype=np.ubyte) 
>>> c
	array(['1', '2', '3'])

常用数组快速创建方法

• 一维序列数组

可以通过np.arange(),类似于python原生的range，通过指定开始值，终值和步长来创建表示等差数列的一维数组。

注意该函数和range一样结果不包含终值。np.arange(start,end,step)

>>> np.arange(10)
	array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.arange(0,1,0.1)
	array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])
>>> np.arange(10,0,-1)
	array([10, 9, 8, 7, 6, 5, 4, 3, 2, 1])

• 等差数列

np.linspace()函数可以生成一个等差数列，与上面np.arange不同的是，该函数第三个参数指定的是元素个数，它表示给定起始值和终点值以及元素个数，生成一个一维的等差数列。

含有参数endpoint布尔值，默认为True表示包含终值，设定为False表示不包含终值。np.linspace(start,end,count,endpoint=True)

示例代码如下：

>>> a=np.linspace(0,1,10)
>>> print(a)
[0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
 0.66666667 0.77777778 0.88888889 1.        ]

>>> b=np.linspace(0,1,10,endpoint = False)
>>> print(b)
[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]

• 等比数列

np.logspace（）用于生成等比数列。该函数与np.linspace类似，不过它起始值是base的start次方，结束值是base的end次方，base基数默认为10。

np.logspace(start,end,count,base=10)

>>> np.logspace(0,3,4)
	array([ 1., 10., 100., 1000.])
>>> np.logspace(0,3,4,base=2)
	array([ 1., 2., 4., 8.])

• 全0数组

np.zeros()函数用于生成值全为0的数组。至少要传入一个参数表示数组形状。

>>> np.zeros(5)	
	array([ 0., 0., 0., 0., 0.])
>>> np.zeros((3,5))
	array([[ 0., 0., 0., 0., 0.], 
		[ 0., 0., 0., 0., 0.], 
		[ 0., 0., 0., 0., 0.]])

• 全1数组

np.ones()函数用于生成值全为1的数组。至少要传入一个参数表示数组形状。

>>> np.ones(5)	
	 array([ 1., 1., 1., 1., 1.])
>>> np.ones((3,5))
	 array([[ 1., 1., 1., 1., 1.], 
		[ 1., 1., 1., 1., 1.], 
		[ 1., 1., 1., 1., 1.]])

• 全x数组

np.full()函数可以生成初始化为指定值的数组。至少要传入两个个参数。一个为数组的shape,一个为初始化的值。

np.full(shape,init_data)

>>> np.full(5, -1)	
array([-1, -1, -1, -1, -1])
>>> np.full((2,3),5)
array([[5, 5, 5],
       [5, 5, 5]])

数组维度变换与重塑

reshape函数将数组对象的shape进行重塑。

新数组的shape属性应该要与原来数组的一致，即新数组元素数量与原数组元素数量要相等。

>>> a =np.array([[ 1, 2, 3,4], 
	        	    [ 5, 6, 7,8],
	              [ 9, 10, 11,12]]) 
>>> b = a.reshape(6,2) 
>>> b
	 array([[ 1, 2], 
		[ 3, 4], 
		[ 5, 6], 
		[ 7, 8], 
		[ 9, 10], 
		[11, 12]])

当reshape一个参数为-1时，那么reshape函数会根据另一个参数的维度计算出数组的另外一个shape属性值。

>>> a =np.array([[ 1, 2, 3,4], 
	        	     [ 5, 6, 7,8],
	               [ 9, 10,11,12]]) 
>>> b = a.reshape(-1,2) 
>>> b
	 array([[ 1, 2], 
		[ 3, 4], 
		[ 5, 6], 
		[ 7, 8], 
		[ 9, 10], 
		[11, 12]])

resize和reshape功能类似，reshape是返回新数组，而resize可以直接修改原始数组

>>> c =np.array([[ 1, 2, 3,4], 
	        	    [ 5, 6, 7,8],
	              [ 9, 10,11,12]]) 
>>> c.resize(2,6) 
>>> c
	array([[ 1, 2,3, 4,5, 6], 
	       [ 7, 8,9,10,11,12]])

数组索引与切片方法

• 数组索引

与Python中定义的序列类似，NumPy支持同样的方法对数组进行索引。

>>> a =np.array([[ 1, 2, 3,4], 
                [ 5, 6, 7,8],
                [ 9, 10, 11,12]])
>>> a[2][3]
	12
>>> a[0][1]
	2

●注意：Python的索引是从0开始。
这种数据索引方式在numpy中不推荐，一般我们使用：

>>> a[2, 3]
	12
>>> a[0, 1]
	2

• 数组切片

数组通过指定索引的范围，来实现切片。

如a[2:5]，是指一维索引从2开始，到5结束，但不包括5在内。

>>> a =np.array([ 1, 2, 3,4,5, 6, 7,8])
>>> a[1:5]
	array([2, 3, 4, 5])
>>> a[3:5]
	array([4, 5])
>>> a =np.array([[ 1, 2, 3,4], [ 5, 6, 7,8], [ 9, 10, 11,12]])
>>> a[1:2]
	array([[5, 6, 7, 8]])
>>> a[1:3]
	array([[ 5, 6, 7, 8], [ 9, 10, 11, 12]])

数组切片可以缺省索引值。

如a[:5]，是指一维索引从缺省的0开始，到5结束，但不包括5在内。

如a[2:]，是指一维索引从2开始，到缺省的最后值为止，包括最后值。

>>> a =np.array([ 1, 2, 3,4,5, 6, 7,8])
>>> a[:5]
	array([1,2, 3, 4, 5])
>>> a[3:]
	array([4, 5, 6, 7, 8])
>>> a =np.array([[ 1, 2, 3,4], [ 5, 6, 7,8],[ 9, 10, 11,12]])
>>> a[1:]
	array([[5, 6, 7, 8], [ 9, 10, 11,12]])
>>> a[:]
	array([[ 1, 2, 3,4],[ 5, 6, 7,8],[ 9, 10, 11,12]])

数组切片可以使用“-”号进行索引。

如 a[-1]，是指一维索引取最后一个值。

如 a[:-1]，是指一维索引从缺省的0开始，到最后一个值结束，但不包括最后一个值在内。

>>> a =np.array([[ 1, 2, 3,4], [ 5, 6, 7,8], [ 9, 10, 11,12]])
>>> a[-1]
	array([ 9, 10, 11,12])
>>> a[-1,-1]
	12
>>> a[:-1]
	array([[1, 2, 3,4],[5, 6, 7, 8]])
>>> a[:-1,:-2]
	array([[1, 2], 	[5, 6]])

• 迭代切片

Numpy array可以通过“::”对数组进行迭代提取数值。

如 a[1:10:2]，表示从数值索引“1”开始，到索引“10”为止（但不包括“10”)，没间隔2个提取一个值。

当最后一个间隔值变成-1时，则代表对数组进行翻转。

>>> a =np.array([ 1, 2, 3,4,5, 6, 7,8])
>>> a[::3]
	array([1, 4, 7])
>>> a[:6:2]
	array([1, 3, 5])
>>> a[3::2]
	array([4, 6, 8])
>>> b =np.array([[ 1, 2, 3,4], [ 5, 6, 7,8], [ 9, 10, 11,12]])
>>> b[::-1]
	 array([[ 9, 10, 11, 12], [ 5, 6, 7, 8], [ 1, 2, 3, 4]])

• 数组迭代器

Array 的 flat属性可以将多维数组变成一个迭代器。便于对数组中每个原始进行计算。

如 a.flat 返回类型为numpy.flatiter，数组a的迭代器。

>>> a =np.array([[ 1, 2, 3,4], [ 5, 6, 7,8], [ 9, 10, 11,12]])
>>> for i in a:
		print (i)
	[1 2 3 4] 
	[5 6 7 8] 
	[ 9 10 11 12]
>>> a.flat
	 <numpy.flatiter at 0x380f800>
>>> for i in a.flat:
		print (i)	
	1 2 3 4 5 6 7 8 9 10 11 12

数组的文件存取

NumPy可以用专有的二进制类型保存数据，文件后缀为npy。通过np.load和np.save这两个函数可以方便的读写数组文件，自动处理元素类型和shape等信息。

>>> import numpy as np
>>> a =np.array([[ 1, 2, 3, 4], [ 5, 6, 7, 8], [ 9, 10, 11,12]],dtype=np.float32)
>>> np.save("a.npy",a) 
>>> new_a = np.load("a.npy")
>>> new_a
array([[ 1.,  2.,  3.,  4.],
       [ 5.,  6.,  7.,  8.],
       [ 9., 10., 11., 12.]], dtype=float32)

random方法

randint

>>> np.random.randint(0, 10)    # [0, 10)之间的随机数
	5
>>> np.random.randint(0, 10, 10)
	array([2, 6, 1, 8, 1, 6, 8, 0, 1, 4])
>>> np.random.randint(0, 1, 10)
	array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
>>> np.random.randint(0, 10, size=10)
	array([3, 4, 9, 9, 5, 2, 3, 3, 2, 1])
>>> np.random.randint(0, 10, size=(3,5))
	array([[1, 5, 3, 8, 5],
       [2, 7, 9, 6, 0],
       [0, 9, 9, 9, 7]])
>>> np.random.randint(1, size=(3,5))
	array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])

seed

>>> np.random.seed(666)
... np.random.randint(0, 10, size=(3, 5))
	array([[2, 6, 9, 4, 3],
       [1, 0, 8, 7, 5],
       [2, 5, 5, 4, 8]])
# 指定某个seed，重复生成的ndarray是一致的

random

np.random.random((1000, 20))
# 上面这个就代表生成1000行 20列的浮点数，浮点数都是从[0,1)中随机。

normal

>>> np.random.normal()  # 默认生成一个服从均值为0，标准差为1的正态分布的随机数
>>> np.random.normal(0, 1, (3, 5))
    array([[ 0.82101369,  0.36712592,  1.65399586,  0.13946473, -1.21715355],
       [-0.99494737, -1.56448586, -1.62879004,  1.23174866, -0.91360034],
       [-0.27084407,  1.42024914, -0.98226439,  0.80976498,  1.85205227]])