Python 学习 08：NumPy

NumPy is a library for the Python programming language, adding support for large, multi-dimensional arrays and matrices, along with a large collection of high-level mathematical functions to operate on these arrays.

---

一、多维数组 ndarray

---

NumPy 主要由多维数组 ndarray (一个用来储存同一种数据类型的有序容器), 和用来操纵 ndarry 的函数组成. ndarray 是 NumPy 核心概念

ndarray 中的元素的可以是整数, 浮点数, 固定长度的字符串, 等等, 还可以是任何 Python 对象的 reference (并不储存对象本身) 这些元素称为标量 scalar

ndarrays 是同质的：即其所有元素在内存中占据了同样的大小，每一个元素的数据类型对象dtype是一样的

ndarray 中的元素可以用整数(位置)来索引，这和 list 很像, 但 ndarray 可以是多维的 (有多个轴 axis)

一个 ndarray 在计算机内存中由两个部分组成：

1. 组成了 ndarray 的 scalar
2. ndarray 的头文件, 定义了数组中 scalar 唯一的数据类型

---

二、数据类型

---

ndarray 中的元素的可以是整数，浮点数，字符串，等等，还可以是任何 Python 对象的 reference (并不储存对象本身)。与数组对应，这些元素统称为标量 scalar

以下是这些标量的数据类型对象之间的继承关系：

对象类型 np.object_

1. object_ : 任何 Python 对象的 reference ，而非对象本身。但是在使用时会返回这个对象本身

数字类型 np.number

1. bool_ : 布尔型数据类型（True 或者 False）
2. int_ : 默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
3. intc : 与 C 的 int 类型一样，一般是 int32 或 int64
4. intp : 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
5. int8 : 字节（-128 to 127）
6. int16 : 整数（-32768 to 32767）
7. int32 : 整数（-2147483648 to 2147483647）
8. int64 : 整数（-9223372036854775808 to 9223372036854775807）
9. uint8 : 无符号整数（0 to 255）
10. uint16 : 无符号整数（0 to 65535）
11. uint32 : 无符号整数（0 to 4294967295）
12. uint64 : 无符号整数（0 to 18446744073709551615）
13. float_ : float64 类型的简写
14. float16 : 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
15. float32 : 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
16. float64 : 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
17. complex_ : complex128 类型的简写，即 128 位复数
18. complex64 : 复数，表示双 32 位浮点数（实数部分和虚数部分）
19. complex128 : 复数，表示双 64 位浮点数（实数部分和虚数部分）

字符类型 np.character

1. str_ : 字符串
2. unicode_ : unicode 字符串，默认是 UTF8，支持中文

它们的方法和属性与 Python 原生的 str 一致

有些标量的数据类型对象 dtype 与 Python 中的基本数据类型对象 int, float, str, bool 概念上是一样的，两者也可以很容易地互相转换和比较数值大小，但是他们是不同的对象

---

三、索引与切片

---

numpy 保留了 Python 中索引与切片的操作，并且可以针对多维数组

索引会返回一个 scalar，切片会返回一个 ndarray

---

3.1 多维索引

不同维度之间用“,”隔开。

---

3.2 更新 ndarray

只需对该 ndarray 做索引，并对结果“赋值”。可以使用一个 scalar 更新，也可以使用另一个 ndarray 更新，但需要注意 shape 和 dtype 是否匹配

---

3.3 索引进阶

3.3.1 整数数组索引

使用一个整数数组（list, tuple 或 ndarray）来切割

3.3.2 条件索引

使用逻辑表达式来筛选数组中的元素

import numpy as np

x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9,10,11]])
print('我们的数组是：')
print(x)
print('大于 5 的元素是：')
print(x[x >  5])

3.3.3 一些条件筛选函数

1. np.argmax(), np.argmin() : 返回沿给定轴最大和最小元素的索引

2. np.nonzero() : 返回输入数组中非零元素的索引

3. np.where() : 返回输入数组中满足给定条件的元素的索引

4. np.extract() : 根据某个条件从数组中抽取元素，返回满条件的元素

---

四、数组的维度与轴 Axis

---

ndarray 的维度 ndim 即指明了其轴的数量。0 轴定义为“最里面”的那个一维数组。

---

4.1 改变 ndarray 的形状

通过 .reshape() 方法可以改变数组的形状。

---

4.2 加轴

np.newaxis : 在使用这句话的位置增加一条轴

import numpy as np

a = np.zeros(10)
b = a[:, np.newaxis]
print(b)
c = a[np.newaxis, :]
print(c)

---

五、广播

---

当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制

广播的规则：

1. 输出数组的形状是输入数组形状的各个维度上的最大值

2. 输入数组的每个轴和输出数组的对应轴的长度相同, 或者该轴长度为 1

3. 输入数组若维度低于输出数组，那么在该数组的形状前加1直至补齐

4. 输入数组若某轴的长度为1，则沿着此轴运算时都用此轴上的第一组值

---

六、随机数

---

1. np.random.rand(d0, d1, d2) : 从 uniform 分布中抽出形状为 (d0, d1, d2) 的样本数组，形状为空则返回标量

2. np.random.randn(d0, d1, d2) : 从标准正态分布中抽出形状为 (d0, d1, d2) 的样本数组，形状为空则返回标量

3. np.random.RandomState() : 固定随机状态允许我们复现某一次随机过程的结果。实例化一个 RandomState 对象, 此后我们可以用这个对象替代 np.random 来调用 np.random 下的函数, 比如 np.random.rand

---

七、常用方法

---

1. np.unique() : 不重复元素

2. np.sort() : 排序

3. np.argsort() : 按照元素值的大小将索引排序

4. np.bincount() : 自然数数组中各元素的频次

5. .T : 转置

6. np.linalg.inv() : 求逆矩阵，np.linalg.pinv() 是求伪逆

同步更新于：SP-FA 的博客

---

返回