Numpy基础

前言

本文详细涵盖了numpy基础的各个方面，包括ndarray常见属性介绍、常见的ndarray的创建方法、ndarray的各种索引、迭代、切片等操作和Numpy的一些常用的内置函数介绍。内容详细，基础，欢迎大家阅读，如若发现问题或有建议，劳烦提醒博主。

正文

ndarray的常见属性

- shape

返回一个元组，表示ndarray各维度的长度。

- ndim

ndarray对象的维度。

- size

ndarray中元素的个数，相当于各维度长度的乘积。

- dtype

ndarray中存储的元素的数据类型。

- itemsize

ndarray中每个元素的字节数。

具体使用如下：

常见的创建array对象的方法

1. np.array(obj, dtype = )

将输入的py对象和ndarray对象转为ndarray对象，并返回一个新的ndarray对象。其中数据类型dtype是可以自己指定的，如果不指定，py会自己默认识别出来的。

• 指定类型：

float

# 一维数组转化为array，并返回一个新的array对象由arr接收
arr = np.array(my_lst, dtype='float')
print(arr)
arr.dtype

int32

arr = np.array(my_lst, dtype='int32')
print(arr)
arr.dtype

int64

arr = np.array(my_lst, dtype='int64')
print(arr)
arr.dtype

• 不指定类型
  py自动识别传入的dtype为int32

arr = np.array(my_lst)
print(arr)
arr.dtype

多维转化为ndarray，其实大同小异

# 多维数组转化为array，以二维举例
my_mat = [[1,2,3],[4,5,6],[7,8,9]]
np.array(my_mat)

py对象——元组也可以转化为ndarray

# 元组转化为array
my_tuple = np.array((1,2))
np.array(my_tuple)

只要传入对象在维度和长度上是统一的，也可以混合传入

# 混合py类型传入，
my_lst = [1,2,3]
my_tuple = (1, 2, 3)
# 注意这里外面要加一个中括号，不然会报错
# 注意这里传入对象的维度（shape）都是统一的，如果不统一也会报警告。
np.array([my_tuple, my_lst])

补充：

• np.asarray(): 将输入的py对象转换为ndarray对象，并返回一个新的ndarray对象。但当输入的对象是ndarray时，不会生成新的ndarray对象，新变量指向的依然是原来输入的ndarray对象。
  

2. 一些常用的内置函数

• np.ones()

# 生成3行4列的全1矩阵
# 若传入参数是一个值而非元组，则生成长度为传入参数的全1的一维数组
np.ones((3,4))

• np.zeros()

# 生成5行5列的零矩阵
# 若传入参数是一个值而非元组，则生成长度为传入参数的全0的一维数组
np.zeros((5,5))

• np.eye()或者np.identity()

# 生成5维的对角矩阵
np.eye(5)

细心看上面所有的输出格式我们不难发现，py默认生成的dtype是float类型的数据。如果查文档可以发现，其默认都是float64类型。
所以如果有填空题让你写np内置函数在不指定dtype下的输出结果，不要忘记是浮点数！

• np.empty(shape, dtype=float, order=‘C’)
  生成一个指定维度和数据类型的未初始化的随机数数组：
  
  如果我们想要创建空数组，我们需要指定dtype是一个对象（后续要求用户手动设置数组中的所有值）：
  
  我们可以进行手动赋值：
  

3. np.arange(start, end, step)

值的范围是[start, end)。
浅浅举几个例子：

# 生成0到9的一维数组
# 若不指定步长则默认为1
np.arange(0,10)

# 生成0到10且步长为2的一维数组
np.arange(0,11,2)

4. np.linspace(start, end, num)

细心的小伙伴是可以发现，linspace的end是包含在内的，和arange不同。
值的范围是[start, end]。

# 在0到5之前均匀地取10个点
np.linspace(0,5,10)

5. np.random的一些内置函数

• np.random.rand(shape)

# 返回5个服从0~1均匀分布的随机样本值,随机样本取值范围是 [0,1)
np.random.rand(5)

# 返回5行5列服从0~1均匀分布的随机样本值,随机样本取值范围是 [0,1)
np.random.rand(5,5)

• np.random.randn()

# 返回2个服从具有标准正态分布的随机值
np.random.randn(2)
# 返回4行4列服从具有标准正态分布的随机值
np.random.randn(4,4)

• np.random.randint(start, end, num)
  值的范围是[start, end)

# 从1,100之前不包括100返回1个随机整数
np.random.randint(1,100)
# 从1,100之前不包括100,返回10个随机整数
np.random.randint(1,100,10)

---

ndarray的索引、迭代和切片

索引可以是数值、数值的list、切片或者是布尔类型的list，可以通过索引获得ndarray的一个切片。
Python列表的索引和切片操作在ndarray上仍然适用。
但是要注意ndarray的切片返回的是数组的视图，而非副本，也就是说对切片的修改即是对原始的ndarray的修改。如果你想要获得副本，这需要调用copy()方法。

1. 一维

一维ndarray的索引、切片和迭代类似于py对象的list操作
首先先定义一个arr

• 索引是数值
  
• 索引是数值的list，返回arr对应下标的值
  
• 索引是切片
  切片格式 list[start : end : step]，step为-1则表示反向切片
  取值范围[start，end)
  
• 索引是布尔类型的list
  
  把该布尔数组作为索引则会返回对应值
  

2. 多维

将一维ndarray利用reshape()转变为三维，其维度对应的长度分别为3，2，2

多维ndarray可以在每一个维度有一个索引，具体可以看实例

• 选取单个索引
  
• 如果需要降维，则可以适当省略后面的索引
  
• 如果一些维度需要用切片，一些维度不需要,那么索引也可以这么选取
  
• 如果此时用bool类型的list则会展平变成一维
  

3. 迭代

• 一维数组的迭代是和py的list对象相同的
• 多维数组的迭代是针对第一个维度进行迭代的
  
  如果想要对每个元素进行迭代，则可以通过flat属性：
  

ndarray的shape操作

ndarray的shape是可以通过命令来改变的：

• reshape：将ndarray的shape按照传入的参数进行修改，返回一个新的ndarray对象
  如：

arr = np.random.randint(0,101,10).reshape(10,10)

• reval：将多维改为一维，返回一个一维的ndarray
• T：返回原ndarray的转置
• resize：将ndarray的shape按照传入的参数修改

函数名	是否修改原ndarray对象
reshape	否
reval	否
T	否
resize	是

ndarray的一些基础操作及广播机制

对于一些用于标量的算术运算，Numpy可以通过广播的方式将其作用到ndarray的每个元素上，返回一个或者多个新的矢量。

• 如进行操作arr+1，是将arr的每个元素都加1：
  
• 如果是arr1 + arr2，那是对应位置元素相加：
  同理有：

• 一些内置函数也是在元素级别上进行的
  可以看到np.multiply()和arr1*arr2效果一样，都是对应元素相乘
  
  如果想要实现矩阵相乘，则可以使用np.dot()
  

Numpy的一些常用内置函数

- np.max()、np.min()

功能：返回arr中的最大值、最小值

补充：
如果想要获得最大值或最小值的索引，可以使用argmax()或argmin()。

- np.mean()

语法： numpy.mean(arr, axis=None, dtype=float64)
含义：用来计算给定数组沿指定轴的平均数，其中axis表示计算平均数的轴，dtype默认为float64。

• 一维
  
• 多维，可以指定轴
  默认axis=None，即不指定轴，计算范围为全部元素。
  若arr为多维，则axis=0表示最外层[]，axis=1表示第二层[]…后面的都以此类推。其中最外层[],第二层[]…这些用索引表示的话可以认为是代表arr[][]…[][]中对应的维度。
  则对于下面的二维arr，axis=0代表第一层[]，即第一层[]对应的维度的索引改变，其他维度在同组内不变。
  即
  arr[0][0]，arr[1][0]，arr[2][0]为一组；（147）
  arr[0][1]，arr[1][1]，arr[2][1]为一组；（258）
  arr[0][2]，arr[1][2]，arr[2][2]为一组；（369）
  因为axis=0下求得的答案是[4., 5., 6.]；
  对于axis=1代表第二层[]，即第二层[]对应的维度的索引改变，其他维度在同组内不变。
  即
  arr[0][0]，arr[0][1]，arr[0][2]为一组；（1，2，3）
  arr[1][0]，arr[1][1]，arr[1][2]为一组；（4，5，6）
  arr[2][0]，arr[2][1]，arr[2][2]为一组；（7，8，9）
  123，456，789分别为一组，求得的答案为[2., 5., 8.]；
  

- np.median

语法：numpy.median(arr, axis=None, dtype=float64)
含义：用来计算给定数组沿指定轴的中位数，其中axis表示计算中位数的轴，dtype默认为float64。
同理，我们也可以求得不指定维度下（即所有元素的中位数）、axis=0时的中位数和axis=1下的中位数。

- np.std()

语法：np.std(arr, axis=None)
含义：计算沿指定轴的标准差。
同理，在不指定axis下，求得的是全部元素的标准差。
同样，指定确切的axis我们也可以求得对应axis的标准差。

- np.sum()

语法：np.sum(arr, axis=None)
含义：计算沿指定轴的和。
同理，在不指定axis下，求得的是全部元素的和。
同样，指定确切的axis我们也可以求得对应axis的和。

- np.cumsum()

语法：np.sum(arr, axis=None)
含义：返回给定轴上元素的累积和。
这个和上面的np.sum()有些不同。
当不指定axis时，其返回的是经过展平的一维ndarray，每处的结果相当于是用了一个循环将前面的值进行累加。也就是先将新的ndarray[0]设为arr[0]，余下的便令循环变量为i，新的ndarray[i+1]中存放的是arr[i + 1] = arr[0] + … + arr[i - 1]，其中i >= 0。
当指定axis时，就不会进行展平了，返回的仍是同维度的答案。
如axis=0，（1，4，7），（2，5，8），（3，6，9）分别成组进行累加，答案为（1，5，12），（2，7，15），（3，9，18）。
axis=1自然也是同理。