Numpy库笔记

Numpy库

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

• 一个强大的N维数组对象 ndarray

• 广播功能函数

• 整合 C/C++/Fortran 代码的工具

• 线性代数、傅里叶变换、随机数生成等功能

---

安装Numpy库

pip install numpy

引用Numpy库

import numpy as np

##Numpy的数据结构##
n维数组对象：ndarray（所有元素的数据类型必须一致，提高数据处理效率）

数据的维度

• 维度：一组数据的组织形式

• N维数组的维度叫轴（axis）,轴的个数叫秩（rank）

• 一维数据 ：列表，数组，集合等

• 二维数据：由多个一维数据构成，是一维数据的组合形式（表格）

• 多维数据：由一维和二维数据在新维度上扩展形成

• 高维数据：仅利用最基本的二元关系展示数据间的复杂结构（键值对）

• 数组与列表的区别：

• 列表：数据类型可以不同

• 数组：数据类型相同 （也可不同，最好不要！）

---

ndarray对象的属性

• .ndim ： 秩，即轴的数量或维度的数量
• .shape： ndarray对象的尺度，对于矩阵，n行m列
• .size ： ndarray对象元素的个数，相当于.shape中n*m的值
• .dtype ： ndarray对象的元素类型
• .itemsize ： ndarray对象中每个元素的大小，以字节为单位

查看相关属性

print(array)
print('number of dim:',array.ndim)
print('shape:',array.shape)
print('size',array.size)

运行效果

---

ndarray的元素类型

• boll： 布尔类型，True or False
• intc： 与C语言中的int类型一致，一般为int32 or int64
• intp： 用于索引的整数，与C语言中ssize_t一致， int32 or int64
• int8 ： 字节长度的整数，取值：[-128,127]
• int16： 16字节长度的整数，取值：[-32768,32767]
• int32： 32字节长度的整数，取值：[-2^31, 2^31 -1]
• int64： 64字节长度的整数，取值：[-2^63, 2^63 -1]
• uint8 : 8位无符号整数，取值：[0,255]
• uint16 ： 16位无符号整数，取值： [0,65535]
• uint32 ： 32位无符号整数，取值： [0,2^32 -1]
• uint64 ： 64位无符号整数，取值：[0,2^64 -1]
• float16 ： 16位半精度浮点数，1位符号位，5位指数，10位尾数
• float32 ： 32位半精度浮点数，1位符号位，8位指数，23位尾数
• float64 ： 64位半精度浮点数，1位符号位，11位指数，52位尾数
• complex64 ： 复数类型，实部和虚部都是32位浮点数
• complex128 ： 复数类型，实部和虚部都是64位浮点数

---

ndarray数组的创建方法

从python中的列表、元组等类型创建ndarray数组

x = np,array(list/tuple)

x = np.array(list/tuple,dtype=np.float32)

• 当np.array不指定dtype时NumPy将根据数据情况关联一个dtype类型

---

###使用Numpy中函数创建ndarray数组###

np.arange(n) :	#返回ndarray类型，元素从0到n-1
np.ones((m,n),dtype)：	 #根据shape生成一个全1的数组，shape是元组类型
np.zeros((m,n),dtype)：	 #根据shape生成一个全0的数组，shape是元组类型
np.full(shape,val)： 	#根据shape生成一个数组，每个元素值都是val
np.eye(n) ：	 #创建一个正方的n*n单位矩阵，对角线为1，其余为0
np.ones_like(a) ：    #根据数组a的形状生成一个全1数组
np.zeros_like(a) ：   #根据数组a的形状生成一个全0数组
np.full_like(a,val) ：   #根据数组a的形状生成一个数组，每个元素值都是val
np.linspace(起始值，结束值，元素个数，endpoint= T or F ) :   #根据起止数据等间距地填充数据，形成数组   endpoint表示结束值是否为最后一个元素
np.concatenate() ：  将两个或多个数组合并成一个新的数组
np.indices((m,n))  ：	#创建一个m行n列的矩阵
np.random.rand(m,n)		#创建一个m行n列的随机数组
np.random.randn(m,n) ：	#创建一个m行n列的随机数组
np.random.rand()		#产生0-1均匀分布的随机数数组

np.random.randn()	#产生0-1标准正态分布的随机数数组

np.random.randint(low[,high,shape])	#根据shape创建随机整数数组，范围[low,high)

np.random.seed(s) 	#随机数种子，s为给定的种子值

---

ndarray数组的的维度变换

• .reshape(shape) ： 不改变数组元素，返回一个shape形状的数组，原数组不变
• .resize(shape) ： 与.reshape()功能一致，但修改原数组
• .swapaxes(ax1,ax2) ： 将数组n个维度中的两个维度进行调换
• .flatten() ： 对数组进行降维，返回折叠后的一堆数组，原数组不变

---

ndarray数组的类型变换

new_a = a.astype(new_type )

ndarray数组向列表的转换

ls = a.tolist()

数组的索引和切片

• 一维数组

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

• 多维数组

  a = array([[[0 ,1 ,2 ,3 ],
    	    [4, 5, 6, 7],
    	    [8, 9, 10 ,11]],
    		
    	    [[12 ,13 ,14 ,15 ],
    	    [16, 17, 18, 19],
    	    [20, 21, 22 ,23]]])
  a[1,2,3]
  out: 23
  
  a[0,1,2]
  out:6
  
  a[-1,-2,-3]
  out:17
  
  a[:,1,-3]
  out: array([5,17])
  
  a[:,1:3,:]
  out: array([[[4 ,5 , 6, 7],
                  [8, 9, 10 ,11]],
  
                  [16 ,17, 18, 19],
                  [20, 21, 22, 23]]])
  
  a[ : , : , : : 2]
  out: array([[[ 0 , 2],
    	         [ 4 , 6],
    	         [ 8 ,10]],
  
    	         [[12, 14],
    	         [16, 18],
    	         [20,22]]])
  

• 还可按条件进行切片

   a[条件] 
  

---

数组与标量之间的运算

• 数组与标量之间的运算作用于数组的每一个元素

---

NumPy一元函数

对ndarray中的数据执行元素级运算的函数

 np.abs(x) np.fabs(x)：	 	#计算数组各元素的绝对值
 np.sqrt(x) ：	#计算数组各元素的平方根
 np.square(x) ：	#计算数组各元素的平方
 np.log(x) np.log10(x) np.log2(x) ：	#计算数组各元素的自然对数、10底对数和2底对数
 np.ceil(x) np.floor(x) :	#计算数组各元素的ceiling值or floor值
 np.rint(x) :	#计算各元素的四舍五入值
 np.modf(x) :	#将数组各元素的小数和整数部分以两个独立数组形式返回
 np.cos(x)  np.cosh(x) :	#计算各元素的普通型和双曲型三角函数
 np.sin(x)  np.sinh(x) :	#计算各元素的普通型和双曲型三角函数
 np.tan(x)  np.tanh(x) :	#计算各元素的普通型和双曲型三角函数
 np.exp(x) :		#计算数组各元素的指数值
 np.sign(x) :  #计算数组各元素的符号值

---

NumPy二元函数

+-*/**	#两个数组各元素进行对应运算
np.maximum(x,y) np.fmax()
np.minimum(x,y) np.fmin()		#元素级的最大值最小值计算
np.mod(x,y)		元素级的模运算
np.copysign(x,y)		将数组y中各元素值的符号赋值给数组x对应的元素
<>>=<= == !=		#算术比较，产生布尔型数组

从外部数据源读入数据生成数组

###从csv文件读入与数据###
import numpy as np
c = np.loadtxt(‘name’, dtype=’ ‘,
delimiter=’,’,usecols= ,skiprows= ,unpack= )

• fname是文件名，数据类型为字符串str；

• dtype是数据类型

• delimiter是分隔符，数据类型为字符串str；

• usecols是读取的列数，数据类型为元组tuple,其中元素个数有多少个，则选出多少列；

• skiprows是需要跳过的行数

• unpack是是否解包，数据类型为布尔bool，默认为False

’ ‘,
delimiter=’,’,usecols= ,skiprows= ,unpack= )

• fname是文件名，数据类型为字符串str；

• dtype是数据类型

• delimiter是分隔符，数据类型为字符串str；

• usecols是读取的列数，数据类型为元组tuple,其中元素个数有多少个，则选出多少列；

• skiprows是需要跳过的行数

• unpack是是否解包，数据类型为布尔bool，默认为False