Numpy的基本介绍

Numpy的基本介绍（一）

1、Numpy总述

1.1 Introduction

• Numpy是Python中在数据科学方面一个基础的包。它可以创建多维数组和派生对象，也可对数据进行多种操作，包括基础运算、log操作、形状变换、排序、切片、傅立叶变换、基本线性代数操作、基本统计操作、随机数模拟等。

• Numpy的核心是ndarray object，它封装了数据类型相同的n维数组。在代码编译时可执行多种操作以便提高性能。Numpy数组和Python数组的差别主要有以下几点：

  1⃣️Numpy的数组在创建时便确定了数组的维度，不能根据后期需要动态改变。如果需要改变数组的维度，需要创建一个新数组，删删除原始数组。

  2⃣️Numpy的数组具有相同的数据类型，所需的内存大小一致。

  3⃣️需要进行大量高级数学运算时，Numpy数组具有更好的性能。和Python的内置数组相比，它具有低代码和高执行效率的特点。

  4⃣️越来越多基于Python包的科学和数学运算都使用了Numpy数组。它们都支撑Pytho数组的输入，然后转换为Numpy数组。另外，为了更好的使用Python中的数学科学工具，仅会使用内置序列并不足够，会使用Numpy是必须的。

1.2 Why is Numpy fast？

矢量化没有了繁复的循环、索引。当然，这些都是在预编译C代码的幕后发生。下面列举了矢量化代码的一些优点：

• 矢量化代码简洁易读
• 矢量化代码的代码量更少，Bug也会随之减少
• 矢量化代码和标准数学操作的符号类似
• 矢量化代码更“Pythonic”。不做矢量化代码整洁性差，多重循环使得阅读困难。

2、Numpy quickstart

2.1 Numpy 的加载

import numpy as np

2.2 Array的创建

函数	说明
np.array	可以传入python的list或者tuple，创建基本的numpy数组
np.zeros	创建一个全0的数组
np.ones	创建一个全1数组
np.empty	创建一个随机初始化的数组，元素的值。元素值取决于内存状态。
np.arange	类似于Python中的range的用法。但是返回的是一个数组
np.linspace	当arange和浮点数一起使用时，由于浮点数精度的问题，不能去预测元素的个数。因此使用linspace接收我们想要的元素

说明：以上创建数组时均可指定数组元素的类型，以及数组的维度

示例：

# 例1:np.array
df = np.array([i for i in range(5)])
df

# 结果
array([0, 1, 2, 3, 4])

# 例2:np.zeros
df = np.zeros((3,4), dtype=np.float32)
df

# 结果
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]], dtype=float32)
       
# 例3:np.ones
df = np.ones((3,2,2), dtype=np.int16)
df

# 结果
array([[[1, 1],
        [1, 1]],

       [[1, 1],
        [1, 1]],

       [[1, 1],
        [1, 1]]], dtype=int16)
        
# 例4:np.empty
 
df = np.empty((2,3))
df

# 结果
array([[0., 0., 0.],
       [0., 0., 0.]])
       
# 例5:np.arange
df = np.arange(10,30,5)
df

# 结果
array([10, 15, 20, 25])

# 例6:
df = np.linspace(0,2,9)
df

# 结果
array([0.  , 0.25, 0.5 , 0.75, 1.  , 1.25, 1.5 , 1.75, 2.  ])

2.3 基本操作

对数组元素的基本操作，就是创建以计算结果填充的新数组

运算符号	符号含义
+	对应元素相加
-	对应元素相减
@（dot）	矩阵乘法（满足矩阵乘法的要求）
*	对应元素相乘

说明：加法、减法和乘法满足广播机制

2.4 numpy中的浅拷贝和深拷贝

浅拷贝：浅拷贝当修改一个变量时另外一个变量也会随之改变，浅拷贝的几种方式：=，view()，切片。

深拷贝：通过copy()实现。当修改其他变量时，被拷贝对象的值不会发生改变

详细参见官网： https://numpy.org/doc/stable/user/quickstart.html#basic-operations
View or Shallow Copy / Deep Copy

3、numpy.random模块的使用

函数名称	Parameters	参数说明	函数解释
rand	np.random.rand(d0, d1,…dn)	d0参数决定数组的形状，必须为非负int	输出给定形状的随机数
randint	np.random.randint(low, high, size, dtype)	low,high取值的下限和上限；size输出数组的形状，dtype输出数据的类型	返回从low到high的随机整数
randn	np.random.randn(d0,d1,…dn)	位置参数，非负int	从标准分布中返回一个随机数
random	np.random.random(size=None)	返回数组的形状	半开区间内的随机浮点数
normal	np.random.normal(loc, scale, size)	loc分布的均值、scale分布的方差，以及size决定返回数组的形状	从高斯分布中返回一个随机数。在深度学习中对参数做初始化时常用

numpy官网：https://numpy.org/doc/stable/reference/random/generated/numpy.random.rand.html