NumPy知识总结

最新推荐文章于 2022-10-17 20:54:32 发布

Junming_Lu

最新推荐文章于 2022-10-17 20:54:32 发布

阅读量384

点赞数

分类专栏： python 文章标签： python numpy

本文链接：https://blog.csdn.net/Junming_Lu/article/details/79327776

版权

python 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

Numpy

NumPy是一个开源的Python科学计算基础库

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

Numpy是Scipy、Pandas等数据处理或科学计算库的基础

numpy 的引用：
import numpy as np

N维数组对象：ndarray

数组对象可以去掉元素间运算所需的循环，使以为向量更像单个数据
设置专门的数组对象，经过优化，可以提升这类应用的运算速度

科学计算中每一个维度所有数据的类型往往相同
- 数组对象采用相同的数据类型，有助于节省运算和存储空间

ndarray是一个多维数组对象，由两部分构成：
- 实际的数据
- 描述这些数据的元数据（数据维度、数据类型等）

ndarray数组一般要求所有元素类型相同（同质），数组下标从0 开始

>>> import numpy as np
>>> a = np.array([[0, 1, 2, 3, 4],[9, 8, 7, 6, 5]])  #np.array()生成一个ndarray数组
>>> a
array([[0, 1, 2, 3, 4],
       [9, 8, 7, 6, 5]])
>>> print(a)
[[0 1 2 3 4]
 [9 8 7 6 5]]  #np.array()输出成[]形式，元素由空格分割

ndarray对象的属性

属性	说明
.nidim	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

>>> a = np.array([[0, 1, 2, 3, 4],[9, 8, 7, 6, 5]])
>>> a.ndim
2
>>> a.shape
(2, 5)
>>> a.size
10
>>> a.dtype
dtype('int32')
>>> a.itemsize
4

ndarray数组的创建方法

从Python中的列表、元素等类型创建ndarray数组
使用NumPy中函数创建ndarray数组，如：arange，ones，zeros等
从字节流（raw bytes）中创建ndarray数组
从文件中读取特定格式，创建ndarray数组

(1) 从Python中的列表、元素等类型创建ndarray数组

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

(2)使用NumPy中函数创建ndarray数组，如：arange，ones，zeros等

函数	说明
np.arange(n)	类似range()函数，返回ndarray乐行，元素从0到n-1
np.ones(shape)	根据shape生成一个全1数组，shape是元祖类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元祖类型
np.full(shape,val)	根据shape生成一个数组，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()	根据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

具体例子在这里

>>> a = np.linspace(1, 10, 4) #（起始值，最后的值，个数）
>>> a
array([ 1.,  4.,  7., 10.]) 
>>> b = np.linspace(1, 10 ,4, endpoint = False) #endpoint：是否包含最后一个数
>>> b
array([1.  , 3.25, 5.5 , 7.75])
>>> c = np.concatenate((a,b))
>>> c
array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

ndarray数组的变换：对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换

ndarray维度变换

方法	说明
.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个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

>>> a = np.ones((2, 3, 4),dtype = np.int)
>>> a.reshape((3, 8))
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])
>>> a
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])
>>> a.flatten()
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1])

ndarray数组的类型变换

new_a = a.astype(new_type)

>>> a.astype(np.float)
array([[[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]],

       [[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]]])

ndarray数组向列表的转换

ls = a.tolist()

>>> a.tolist()
[[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]]

ndarray数组的操作

数组的索引和切片

索引：获取数组中特定位置元素的过程

切片：获取数组元素自己的过程

一维数组的索引和切片：与Python的列表类似

>>> a = np.array([9, 8, 7, 6, 5])
>>> a[2]
7
>>> a[-1]
5
>>> a[1:4:2]   #（起始编号：终止编号（不含）：步长）
array([8, 6])

多维数组的索引

>>> a = np.arange(24).reshape((2, 3, 4))
>>> 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]
23
>>> a[0, 1, 2]
6
>>> a[-1, -2, -3]
17

多维数组的切片

>>> a[:, 1, -3] #选取一个维度用:
array([ 5, 17])

>>> a[:, 1:3, :] #每个维度切片方法与一维数组相同
array([[[ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> a[:, :, ::2] #每个维度可以使用步长跳跃切片
array([[[ 0,  2],
        [ 4,  6],
        [ 8, 10]],

       [[12, 14],
        [16, 18],
        [20, 22]]])

ndarray数组的运算

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

>>> a = np.arange(24).reshape((2, 3 ,4))
>>> 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.mean() #平均值
11.5
>>> a = a / a.mean()
>>> a
array([[[0.        , 0.08695652, 0.17391304, 0.26086957],
        [0.34782609, 0.43478261, 0.52173913, 0.60869565],
        [0.69565217, 0.7826087 , 0.86956522, 0.95652174]],

       [[1.04347826, 1.13043478, 1.2173913 , 1.30434783],
        [1.39130435, 1.47826087, 1.56521739, 1.65217391],
        [1.73913043, 1.82608696, 1.91304348, 2.        ]]])

对ndarray中的数据执行元素级运算的函数

一元函数

函数	说明
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值或floor值
np.rint(x)	计算数组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)	计算数组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，1(+),0,-1(-)

二元函数

函数	说明
/ **	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对应元素
< >= <= == !=	算术比较，产生布尔型数组

>>> a = np.arange(24).reshape((2, 3 ,4))
>>> 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]]])
>>> b = np.sqrt(a)
>>> b
array([[[0.        , 1.        , 1.41421356, 1.73205081],
        [2.        , 2.23606798, 2.44948974, 2.64575131],
        [2.82842712, 3.        , 3.16227766, 3.31662479]],

       [[3.46410162, 3.60555128, 3.74165739, 3.87298335],
        [4.        , 4.12310563, 4.24264069, 4.35889894],
        [4.47213595, 4.58257569, 4.69041576, 4.79583152]]])
>>> np.maximum(a, b)
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 > b
array([[[False, False,  True,  True],
        [ True,  True,  True,  True],
        [ True,  True,  True,  True]],

       [[ True,  True,  True,  True],
        [ True,  True,  True,  True],
        [ True,  True,  True,  True]]])

CSV文件

CSV(Comma-Separated Value，逗号分隔值)，CSV是一种常见的文件格式，用来存储批量数据

CSV文件的局限性：只能有效存储一维和二维数组

写入

np.savetxt(frame, array, fmt = '%.18e', delimiter = ',')

frame：文件、字符串或产生器，可以使.gz或.bz2的压缩文件
array：存入文件的数组
fmt：写入文件的格式，例如：%d %.2f %.18e
delimiter：设定分割字符串，默认是任何空格

读入

np.loadtxt(frame, dtype = np.float, delimiter = ',', unpack = False)

frame：文件、字符串或产生器，可以使.gz或.bz2的压缩文件
dtype：数据类型，可选
delimiter：设定分割字符串，默认是任何空格
unpack：如果是True，读入属性将分别写入不同变量

多维数组的存取

a.tofile(frame,sep = '', format = '%s')

frame：文件、字符串
sep：数据分割字符串，如果是空串，写入文件为二进制
format：写入数据的格式

np.fromfile(frame, dtype = float, count = -1, sep = '')

frame：文件、字符串
dtype：读取数据的类型
count：读取元素个数，-1表示读入整个文件
sep：数据分割字符串，如果是空串，写入文件为二进制

该方法需要读取时知道存入文件时数组的维度和元素类型，两者需要配合使用，可以通过元数据文件来存储额外信息

NumPy的便捷文件存取

这种方法可以还原存取原数组的维度和信息

np.save(frame,array) 或 np.savez(frame,array)

frame：文件名，以.npy为扩展名或压缩扩展名为.npz
array：数组变量

np.load(frame)

frame：文件名，以.npy为扩展名或压缩扩展名为.npz

NumPy的随机数子库

NumPy的random子库

函数	说明
rand(d0,d1,…,dn)	根据d0-dn创建随机数数组，浮点数，[0,1)，均匀分布
randn(d0,d1,…,dn)	根据d0-dn创建随机数数组，标准正态分布
randint(low[,high,shape])	根据shape创建随机整数或整数数组，范围是[low,high)
seed(s)	随机数种子，s是给定的种子值

>>> a = np.random.rand(2,3,4)
>>> a
array([[[0.61971721, 0.75978775, 0.25187859, 0.89158898],
        [0.69988764, 0.79722365, 0.6930626 , 0.33601488],
        [0.43248171, 0.37569319, 0.71305447, 0.01714172]],

       [[0.10155612, 0.12418438, 0.72925635, 0.83990467],
        [0.60069704, 0.45898456, 0.16072765, 0.64881084],
        [0.7035746 , 0.63266032, 0.6530597 , 0.05510716]]])
>>> b = np.random.randint(100, 200, (3, 4))
>>> b
array([[133, 152, 159, 169],
       [137, 102, 122, 118],
       [171, 121, 154, 121]])

函数	说明
shuffle(a)	根据数组a的第一轴进行随机排列，改变数组a
permutation(a)	根据数组a的第一轴产生一个新的乱序数组，不改变数组a
choice(a[,size,replace,p])	从一维数组a中以概率p抽取元素，形成size形状新数组，replace表示是否可以重用元素，默认为True

>>> b = np.random.randint(100, 200, (3, 4))
>>> b
array([[133, 152, 159, 169],
       [137, 102, 122, 118],
       [171, 121, 154, 121]])
>>> np.random.shuffle(b)
>>> b
array([[171, 121, 154, 121],
       [137, 102, 122, 118],
       [133, 152, 159, 169]])
>>> np.random.permutation(b)
array([[171, 121, 154, 121],
       [133, 152, 159, 169],
       [137, 102, 122, 118]])
>>> b
array([[171, 121, 154, 121],
       [137, 102, 122, 118],
       [133, 152, 159, 169]])

>>> a = np.random.randint(100, 200, (8,))
>>> a
array([136, 194, 162, 104, 178, 145, 184, 103])
>>> np.random.choice(a, (3, 2))
array([[103, 145],
       [136, 136],
       [184, 178]])
>>> np.random.choice(a, (3, 2), replace = False)
array([[145, 136],
       [103, 194],
       [104, 184]])

函数	说明
uniform(low,high,size)	产生具有均匀分布的数组，low起始值，high结束值，size形状
normal(loc,scale,size)	产生具有正态分布的数组，loc均值，scale标准差，size形状
poisson(lam,size)	产生具有泊松分布的数组，lam随机事件发生率，size形状

NumPy的统计函数

NumPy直接提供的统计类函数：

函数	说明
sum(a,axis = None)	根据给定轴axis计算数组a相关元素之和，axis整数或元组
mean(a,axis = None)	根据给定轴axis计算数组a相关元素的期望，axis整数或元组
average(a,axis = None,weights = None)	根据给定轴axis计算数组a相关元素的加权平均值
std(a,axis = None)	根据给定轴axis计算数组a相关元素的标准差
var(a,axis = None)	根据给定轴axis计算数组a相关元素的方差

>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> np.sum(a)
105
>>> np.mean(a, axis = 1)
array([ 2.,  7., 12.])
>>> np.mean(a, axis = 0)
array([5., 6., 7., 8., 9.])
>>> np.average(a, axis = 0, weights = [10, 5, 1])
array([2.1875, 3.1875, 4.1875, 5.1875, 6.1875])
>>> np.std(a)
4.320493798938574
>>> np.var(a)
18.666666666666668

函数	说明
min(a) max(a)	计算数组a中的元素的最小值，最大值
argmin(a) argmax(a)	计算数组a中元素最小值、最大值的降一维后下标
unravel_index(index,shape)	根据shape将一维下标index转换成多维下标
ptp(a)	计算数组a中元素最大值与最小值的差
median(a)	计算数组a中元素的中位数（中值）

NumPy的梯度函数

梯度：连续值之间的变化率，即斜率
XY坐标轴连续三个X坐标对应的Y轴值：a,b,c，其中，b的梯度是：(c-a)/2

函数	说明
np.gradient(f)	计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

>>> a
array([ 2, 14,  7,  5,  2])
>>> np.gradient(a)
array([12. ,  2.5, -4.5, -2.5, -3. ])
>>> b = np.random.randint(0, 50,(3,5))
>>> b
array([[36, 34, 27,  4, 41],
       [ 3, 22, 16, 46, 42],
       [23, 39, 25, 22, 29]])
>>> np.gradient(b)
[array([[-33. , -12. , -11. ,  42. ,   1. ],
       [ -6.5,   2.5,  -1. ,   9. ,  -6. ],
       [ 20. ,  17. ,   9. , -24. , -13. ]]), 
array([[ -2. ,  -4.5, -15. ,   7. ,  37. ],
       [ 19. ,   6.5,  12. ,  13. ,  -4. ],
       [ 16. ,   1. ,  -8.5,   2. ,   7. ]])]

Junming_Lu

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
NumPy知识总结

NumpyNumPy是一个开源的Python科学计算基础库一个强大的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Numpy是Scipy、Pandas等数据处理或科学计算库的基础
复制链接

扫一扫