numpy学习总结【2】

1. numpy多维数组的理解

关于多维数组比较抽象，特别是非图形化的，而是存储在内存中的形式。关于numpy多维数组的简单理解，先看下图：

不像matlab，numpy是行优先存储的，所以numpy数组的最后一个维度永远是列，这些元素基本上总是在内存中是连续的。

一维是一个列表，那么二维就是列表的列表，所以上图2维理解就是最外面的列表有两个列表，然后每个内部列表有四个对象。

对于三维来说，每个列表有两个两行列表，每个列表就是二维的理解，即列表的列表的列表。

2.numpy的创建函数

1）np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)，可以把python列表、元组等结构转为numpy数组。

2）np.arange([start,] stop[, step,], dtype=None) ,这个参数类似python range

3）np.ones(shape, dtype='float64') , 注意传入参数是shape，默认类型是float64，可以dtype来指定。

     np.zeros(shape,dtype='float64')

4）np.identity(n, dtype=None), 就是矩阵中的单位矩阵

5）np.empty(shape, dtype=float, order='C'), 返回一个未经初始化的矩阵，即返回的矩阵只是shape为指定形式，但是值都是随机的。

6）np.linespace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)，返回一个均分的数组，前三个参数指定起止数和间隔， endpoint参数指的是stop的参数是不是最后一个数据，retstep参数设定是否要返回间隔值。例子如下：

3. numpy的计算规则和方法

1）numpy数组的计算参考下面四条规则

1. 多维数组之间进行运算首先检查shape是否匹配。
2. 数学运算符(+-*/exp,log等)是作用于每个元素的
3. sum、mean、max、std等reduction操作是作用于整个数组的，除非指定axis参数
4. 如果数组中有nan值参与运算，则结果都为nan，如果非要计算可以采用nanmean、nansum等nan系列函数

上面几条规则看起来我们一条一条来分析。

第1条：多维数组之间运算先检查shape，这个很容易理解，两个shape为（3，2）的数组可以直接相加，但是看下面的例子：

上面例子中a的shape是(3,4)，而b的shape是(4,)，但是他们之间能够进行+运算，这个特性就是numpy的Broadcasting特性。

其实最简单的Broadcasting特性应用是numpy数组跟一个常量进行运算时，我们前面见过例 a + 4。我们可以想象在a与b进行运算时，b按照原始数据进行拷贝拓展为与a同样shape的数组，这样再与a进行运算，但是实际上numpy并没有额外进行拷贝等操作，它是利用c的for循环实现的，所以这种特性是不影响效率的与内存消耗的。

有两张图有助于理解。

关于这种特性的详细介绍，可以参考：https://docs.scipy.org/doc/numpy/user/basics.broadcasting.html

介绍的是很详细了，这里就不展开讨论了。

第2条：这条好理解，不做赘述。

第3条：这一条很重要的一点是关于axis的说明。对于多维数组我们经常需要只计算某一维度的数据，这时候就需要用到axis参数了。这个参数很多文档介绍都是axis=0代表行，axis=1代表列，这种记法极易出错，而且对于多维数组有时候很难判断。

看到一种比较好的理解方式是，axis代表的就是下图展示的维度数值，那axis等于哪个维度，哪个维度(或者称为轴)就会消失，形象理解就是这个维度被压缩。举个例子a的shape为(3,1,5,2)，那么a.sum(axis=3)返回的shape就为(3,1,2)，这个就比较容易判断我们所选择的axis到底是不是正确。再拿二维举例，a的shape为(3,2)，那么axis=0时，返回的shape就是(2,)，axis=1的时候返回的shape即为(3,),是不是很容易。

第4条：这一条举几个例子看一下就明白了，总之nan是一个特别的东西，像黑洞似的。

2) numpy的一些常见函数：

min、max、mean、sum、std等就不介绍了，字面意思记忆即可。

np.argmax、np.argmin(a, axis=None, out=None): 返回指定轴最大、最小值的索引。

np.where

np.unravel_index

上面函数及其他常用函数用法，参考https://docs.scipy.org/doc/numpy/reference/

介绍的很详细，例子很很棒。

 

关于numpy的两天学习，个人觉得还是得多练习，才能熟练的组织出自己想要的数据，对于numpy的花式索引、broadcasting等特性需要更多的实践来理解。