#1行5列
data = np.array([1,2,3,4,5])
data.shape
(5,)
#3行4列
data = np.array([[1,2,3,0],[4,5,6,0],[7,8,9,0]])
data.shape
(3, 4)
# 2行3列2维
data = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
data.shape
(2, 2, 3)
data.dtype
dtype('int64')
1.创建ndarray
ndarray
是NumPy中多维数组对象,是一个快速而灵活的大数据容器,其中所有元素必须具有相同类型
Numpy中如果没有特殊指定,数据类型基本都是float64
(浮点型)
import numpy as np
data = [6,7.5,8,0,1]
arr1 = np.array(data) #创建一维矩阵
arr1
array([6. , 7.5, 8. , 0. , 1. ])
arr1.shape #返回一个表示各维度大小的元组,第一个数标识
(5,)
arr1.dtype #返回一个说明数组数据类型的对象,numpy关注的是数值运算,默认float64 浮点数,数据类型
dtype('float64')
data = [[1,2,3,4],[5,6,7,8]] #创建二维矩阵
arr2 = np.array(data)
arr2
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
zeros()
创建全0矩阵
np.zeros(10) #创建 1x10x1 全0矩阵
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
np.zeros((3,6)) #创建3x6x1 全0矩阵 3行6列,1维矩阵
array([[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.]])
np.zeros((2,3,3)) #创举3x3x2 全0矩阵 3行3列,2维矩阵
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]])
ones()
创建全1矩阵
np.ones(10) #创建 1x10x1 全1矩阵
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
np.ones((3,6)) #创建3x6x1 全1矩阵 3行6列,1维矩阵
array([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
np.ones((2,3,4))
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.]]])
empty()
可以创建一个没有任何具体值的数组
np.empty((2,3,2)) # 2列,3行,2维
#返回的是未经初始化的垃圾值
array([[[6.94646086e-310, 4.64671213e-310],
[6.94645989e-310, 6.94645967e-310],
[6.94645994e-310, 3.21142670e-322]],
[[6.94646086e-310, 4.64671213e-310],
[0.00000000e+000, 0.00000000e+000],
[0.00000000e+000, 0.00000000e+000]]])
arange()
是python内置函数range的数组版本,返回的是一个ndarray而不是列表
np.arange(15)
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
2.ndarray的数据类型
类型 | 类型代码 | 说明 |
---|---|---|
int8,uint8 | i1,u1 | 有符号和无符号的8位(1字节)整型 |
int16,uint16 | i2,u2 | 有符号和无符号的16位(2字节)整型 |
int32,uint32 | i4,u4 | 有符号和无符号的32位(4字节)整型 |
int64,uint64 | i8,u8 | 有符号和无符号的64位(8字节)整型 |
float16 | f2 | 半精度浮点数 |
float32 | f4或f | 标准的单精度浮点数.与C的float兼容 |
float64 | f8或d | 标准双精度浮点数.与C的double和python的float对象兼容 |
float128 | f16或g | 扩展精度浮点数 |
complex64,complex128,complex256 | c8,c16,c32 | 分别用两个32位,64位或128位浮点数表示的复数 |
bool | ? | 存储True和False值的布尔类型 |
object | O | Python对象类型 |
string_ | S | 固定长度的字符串类型(每个字符1个字节). 例如:要创建一个长度为10的字符串,应使用S10 |
unicode_ | U | 固定长度的unicode类型(字节数由平台决定). 跟字符串的定义方式一样(如U10) |
2.1 astype()数据类型转化
调用astype无论如何都会创建出一个新的数组(原始数组的一份拷贝),即使新dtype跟老dtype相同也是如此
注意 浮点数(比如float64和float32)只能表示近似的分数值.在复杂计算中,由于可能会积累一些浮点错误,因此比较操作只能在一定小数位内有效
整数转为浮点数
arr = np.array([1,2,3,4,5])
arr.dtype
dtype('int64')
float_arr = arr.astype(np.float64)
float_arr.dtype
dtype('float64')
浮点数转为整数
转换过程中小数部分会直接被截断
arr = np.array([3.7,-1.2,-2.6,0.5,12.9,10.1])
arr.dtype
dtype('float64')
arr.astype(np.int32)
array([ 3, -1, -2, 0, 12, 10], dtype=int32)
全是数字的字符串数组 转为 数值
numeric_strings = np.array(['1.25','-9.6','42'],dtype=np.string_)
numeric_strings.astype(float)
array([ 1.25, -9.6 , 42. ])
numeric_strings.astype(np.float64)
array([ 1.25, -9.6 , 42. ])
支持参数是返回的数据类型
int_array = np.arange(10)
calibers = np.array([.27,.270,.357,.380,.44,.50],dtype=np.float64)
int_array.astype(calibers.dtype)
array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
使用类型代码定义数据类型
empty_uint32 = np.empty(8,dtype='u4')
empty_uint32
array([ 0, 1075314688, 0, 1075707904, 0,
1075838976, 0, 1072693248], dtype=uint32)
3.索引和切片
3.1 一维数组
arr = np.arange(10)
arr
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
arr[:]
array([ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9])
arr[5] #第6个元素
5
arr[5:8] #第6个元素到第8个元素
array([5, 6, 7])
数组中 值的更改
跟列表最重要的区别在于,数组切片是原始数组的视图.这意味着数据不会被复制,视图上的任何修改都会直接反应到源数据上
arr[5:8] = 12
arr
array([ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9])
arr_slice = arr[5:8]
arr_slice
array([12, 12, 12])
arr_slice[1] = 145
arr
array([ 0, 1, 2, 3, 4, 64, 145, 64, 8, 9])
arr_slice[:] = 64
arr
array([ 0, 1, 2, 3, 4, 64, 64, 64, 8, 9])
其他用法
old_data = data.copy()
data[data < 0] = 0
data
array([[0. , 1.69865101, 0. , 0.49518769],
[0.37951591, 0. , 0. , 0. ],
[0.44686031, 2.0746266 , 1.68538262, 0. ],
[0.37011546, 0. , 0.7600543 , 0. ],
[0. , 0. , 0. , 0. ],
[0. , 0.79192211, 0. , 0. ],
[2.92470818, 0. , 0.26734807, 0.94358864]])
data[names != 'Joe'] = 7
data
array([[7. , 7. , 7. , 7. ],
[0.37951591, 0. , 0. , 0. ],
[7. , 7. , 7. , 7. ],
[7. , 7. , 7. , 7. ],
[7. , 7. , 7. , 7. ],
[0. , 0.79192211, 0. , 0. ],
[2.92470818, 0. , 0.26734807, 0.94358864]])
3.2 二维数组
各索引位置上的元素不再是标量而是一维数组
arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr2d
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
arr2d[2] #获取 第3行元素
array([7, 8, 9])
print(arr2d[0][2]) #获取 1行3列的值
print(arr2d[0,2])
3
3
arr2d[:1] #返回第 1行
array([[1, 2, 3]])
arr2d[:2] #返回前 2行
array([[1, 2, 3],
[4, 5, 6]])
arr2d[:3] #返回前 3行,即所有
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
arr2d[:2,1:] # 返回前2行, 从第 2列到最后一列 所有元素
array([[2, 3],
[5, 6]])
arr2d[:2,2:] # 返回前2行,从第 3列到最后一列(即最后一列)所有元素
array([[3],
[6]])
arr2d[:2,:1] # 返回前 2行,第 1列的值
array([[1],
[4]])
arr2d[:2,:2] # 返回前 2行,第 1列 到 第 2列的值
array([[1, 2],
[4, 5]])
arr2d[:2,1:2] # 返回前 2行,第 2列的值
array([[2],
[5]])
3.3 多维数组
第一个数表示 维度, 第二个数表示行, 第三个数表示列
arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
arr3d # 2行3列2维度
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
arr3d[0] # 返回第一维度的数组
array([[1, 2, 3],
[4, 5, 6]])
arr3d[1,0] # 返回第二维度第一行数据
array([7, 8, 9])
3.4 复制–数组切片
.copy() 得到的是ndarray切片的一份副本而非视图
old_values = arr3d[0].copy()
arr3d[0] = 42
arr3d
array([[[42, 42, 42],
[42, 42, 42]],
[[ 7, 8, 9],
[10, 11, 12]]])
arr3d[0] = old_values
arr3d
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
3.5 布尔型索引
布尔型数组的长度必须跟被索引的数组的行数一致
Python关键字 and 和 or 在布尔型数组中无效
names = np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])
data = np.random.randn(7,4) #使用numpy.random中的randn函数生成一些正态分布的随机数
names
array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'], dtype='<U4')
data
array([[-0.69367557, 1.69865101, -0.23921684, 0.49518769],
[ 0.37951591, -1.12286914, -0.45468043, -0.0389243 ],
[ 0.44686031, 2.0746266 , 1.68538262, -0.10811949],
[ 0.37011546, -0.65505409, 0.7600543 , -1.97341031],
[-0.31347836, -1.11806019, -1.11968691, -0.73714439],
[-0.94361467, 0.79192211, -0.23550452, -0.02805382],
[ 2.92470818, -0.32589702, 0.26734807, 0.94358864]])
names == 'Bob'
array([ True, False, False, True, False, False, False])
data[names == 'Bob'] # 返回第1行 和 第4行
array([[-0.69367557, 1.69865101, -0.23921684, 0.49518769],
[ 0.37011546, -0.65505409, 0.7600543 , -1.97341031]])
data[names == 'Bob',2:] # 返回第1行和第4行, 第3列到最后一列的值
array([[-0.23921684, 0.49518769],
[ 0.7600543 , -1.97341031]])
data[names == 'Bob',3] #将第4列,第1行和4行的值组成数组
array([ 0.49518769, -1.97341031])
使用 != 非 ~
names != 'Bob'
array([False, True, True, False, True, True, True])
data[~(names == 'Bob')] #返回非1和4行
array([[ 0.37951591, -1.12286914, -0.45468043, -0.0389243 ],
[ 0.44686031, 2.0746266 , 1.68538262, -0.10811949],
[-0.31347836, -1.11806019, -1.11968691, -0.73714439],
[-0.94361467, 0.79192211, -0.23550452, -0.02805382],
[ 2.92470818, -0.32589702, 0.26734807, 0.94358864]])
使用 &(和), |(或)
mask = (names == 'Bob') | (names == 'Will')
mask
array([ True, False, True, True, True, False, False])
data[mask]
array([[-0.69367557, 1.69865101, -0.23921684, 0.49518769],
[ 0.44686031, 2.0746266 , 1.68538262, -0.10811949],
[ 0.37011546, -0.65505409, 0.7600543 , -1.97341031],
[-0.31347836, -1.11806019, -1.11968691, -0.73714439]])
3.6 花式索引
指利用整数数组进行索引
花式索引跟切片不一样,它总是将数据复制到新数组中
arr = np.empty((8,4))
for i in range(8):
arr[i] = i
arr
array([[0., 0., 0., 0.],
[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.],
[4., 4., 4., 4.],
[5., 5., 5., 5.],
[6., 6., 6., 6.],
[7., 7., 7., 7.]])
以特定顺序选取行子集
传入一个用于指定的整数 列表 或ndarray即可
arr[[4,3,0,6]]
array([[4., 4., 4., 4.],
[3., 3., 3., 3.],
[0., 0., 0., 0.],
[6., 6., 6., 6.]])
#使用负数索引将从末尾开始选取行
arr[[-3,-5,-7]]
array([[5., 5., 5., 5.],
[3., 3., 3., 3.],
[1., 1., 1., 1.]])
arr = np.arange(32).reshape((8,4))
arr
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],
[24, 25, 26, 27],
[28, 29, 30, 31]])
#矩阵(0,0)开始
#返回(1,0),(5,3),(7,1),(2,2)
arr[[1,5,7,2],[0,3,1,2]]
array([ 4, 23, 29, 10])
arr[[1,5,7,2]][:,[0,3,1,2]]
array([[ 4, 7, 5, 6],
[20, 23, 21, 22],
[28, 31, 29, 30],
[ 8, 11, 9, 10]])
np.ix_函数,它可以将两个一维数组转换为一个用于选取方形区域的索引器
arr[np.ix_([1,5,7,2],[0,3,1,2])]
array([[ 4, 7, 5, 6],
[20, 23, 21, 22],
[28, 31, 29, 30],
[ 8, 11, 9, 10]])
4. 数组转置和轴对称
arr = np.arange(15).reshape((3,5))
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
Transpose 转置
转置是一种特殊形式,返回的是源数据的视图(不会进行任何复制操作)
arr.T
array([[ 0, 5, 10],
[ 1, 6, 11],
[ 2, 7, 12],
[ 3, 8, 13],
[ 4, 9, 14]])
arr = np.arange(16).reshape((2,2,4))
arr
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
arr.T
array([[[ 0, 8],
[ 4, 12]],
[[ 1, 9],
[ 5, 13]],
[[ 2, 10],
[ 6, 14]],
[[ 3, 11],
[ 7, 15]]])
np.dot() 计算矩阵内积 X T X X^TX XTX
arr
np.dot(arr.T,arr)
array([[125, 140, 155, 170, 185],
[140, 158, 176, 194, 212],
[155, 176, 197, 218, 239],
[170, 194, 218, 242, 266],
[185, 212, 239, 266, 293]])
swapaxes()
arr = np.arange(16).reshape((2,2,4))
arr.swapaxes(1,2)
array([[[ 0, 4],
[ 1, 5],
[ 2, 6],
[ 3, 7]],
[[ 8, 12],
[ 9, 13],
[10, 14],
[11, 15]]])
5.通用函数(ufunc)
一元ufunc
函数 | 说明 |
---|---|
abs,fabs | 计算整数,浮点数或复数的绝对值 对于非复数值,可以使用更快的fabs |
sqrt | 计算各元素的平方根 |
square | 计算各元素的平方 |
exp | 计算各元素的指数 e x e^{x} ex |
log,log10,log2,log1p | 分别为自然对数(底数为e),底数为10的log,底数为2的log,log(1+x) |
sign | 计算各元素的正负号:1(正数),0(零),-1(负数) |
ceil | 计算各元素的ceiling值,即大于等于该值的最小整数 |
floor | 计算个元素的floor值,即小于等于该值的最大整数 |
rint | 将各元素值四舍五入到最接近的整数,保留dtype |
modf | 将数组的小数和整数部分以两个独立数组的形式返回 |
isnan | 返回一个表示"哪些值是NaN(这不是一个数字)"的布尔型数组 |
isfinite,isinf | 分别返回一个表示"哪些元素是又穷的(非inf,非NaN)"或"哪些元素是无穷的"的布尔型数组 |
cos,cosh,sin,sinh,tan,tanh | 普通型和双曲型三角函数 |
arccos,arccosh,arcsin,arcsinh,arctan,arctanh | 反三角函数 |
logical_not | 计算各元素not x的真值 |
import numpy as np
arr = np.arange(10)
arr
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.sqrt(arr)
array([0. , 1. , 1.41421356, 1.73205081, 2. ,
2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. ])
np.exp(arr)
array([1.00000000e+00, 2.71828183e+00, 7.38905610e+00, 2.00855369e+01,
5.45981500e+01, 1.48413159e+02, 4.03428793e+02, 1.09663316e+03,
2.98095799e+03, 8.10308393e+03])
二元ufunc
函数 | 说明 |
---|---|
add | 将数组中对应的元素相加 |
subtract | 从第一个数组中减去第二个数组中的元素 |
multiply | 数组元素相乘 |
divide,floor_divide | 除法或向下圆整除法(丢弃余数) |
power | 对第一个数组的元素A,根据第二个数组中的相应元素B,计算 A B A^B AB |
maximum,fmax | 元素级的最大值计算.fmax将忽略NaN |
minimum,fmin | 元素级的最小值计算.fmin将忽略NaN |
mod | 元素级的求模计算(除法的余数) |
copysign | |
greater,greater_equal,less,less_equal,equal,not_equal | 执行元素级的比较运算,最终产生布尔型数组.相当于中缀运算>,>=,<,<=,==,!= |
logical_and,logical_or,logical_xor | 执行元素级的真值逻辑运算. 相当于&,|,^ |
x = np.random.randn(8)
x
array([ 0.7782637 , 2.01053018, 1.35868291, 0.21749182, 0.01305496,
0.38470116, -1.57178628, 2.19639081])
y = np.random.randn(8)
y
array([ 1.28050252, -1.77657855, 0.23944536, 0.21039616, -0.75090526,
1.06167301, 0.18368341, -0.63631676])
np.maximum(x,y)
array([1.28050252, 2.01053018, 1.35868291, 0.21749182, 0.01305496,
1.06167301, 0.18368341, 2.19639081])
np.modf(x)
(array([ 0.7782637 , 0.01053018, 0.35868291, 0.21749182, 0.01305496,
0.38470116, -0.57178628, 0.19639081]),
array([ 0., 2., 1., 0., 0., 0., -1., 2.]))