NumPy库的使用

NumPy是一个开源的Python科学计算库。是用于处理含有同种元素的多维数组运算的第三方库

功能：

• 用来操作数组和矩阵
• 是科学计算、深度学习等高端领域的必备工具，使用TensorFlow、Caffe框架训练神经网络模型时，需要进行大量复杂的运算，可以直接调用NumPy里面的API

为什么要使用NumPy：

• NumPy提供了很多高端的函数，可以对数组和矩阵进行复杂运算，比直接使用Python语言编码更高效。
• NumPy有超过10年的历史，核心算法经过了非常长的时间和很多人的验证，非常稳定。
• NumPy的核心算法都是由C语言编写，执行效率更高
• NumPy的扩展性非常好，可以很容易集成到其他的语言中
• NumPy是开源免费的，有广泛的社区支持

NumPy库概述

• NumPy库处理的最基础数据类型是由同种元素构成的多维数组（ndarray），简称“数组”。
• 数组中所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。ndarray类型的维度（dimensions）叫做轴（axes），轴的个数叫做秩（rank）。一维数组的秩为1，二维数组的秩为2，二维数组相当于由两个一维数组构成。
• 由于NumPy库中函数较多且命名容易与常用命名混淆，建议采用如下方式引用numpy库import numpy as np 其中，as保留字与import一起使用能够改变后续代码中库的命名空间，有助于提高代码可读性。简单说，再程序的后续部分中，np代替numpy

NumPy库常用的创建数组函数

函数	描述
np.array([x,y,z], dtype=int	从Python列表和元组创造数组
np.arange(x,y,i)	创建一个由x到y，以1为步长的数组
np.linspace(x,y,n)	创建一个由x到y，等分成n个元素的数组
np.indices((m,n))	创建一个m行n列的矩阵
np.random.rand(m,n)	创建一个m行n列的随机数组
np.ones((m,n),dtype)	创建一个m行n列全1的数组，dtype是数据类型
np.empty((m,n),dtype)	创建一个m行n列全0的数组，dtype是数据类型

创建一个简单的数组后，可以查看ndarray类型有一些基本属性

属性	描述
ndarray.ndim	数组轴的个数，也被称作秩
ndarray.shape	数组再每个维度上大小的整数元组
ndarray.size	数组元素的总个数
ndarray.dtype	数组元素的数据类型，dtype类型可以用于创建数组中
ndarray.itemsize	数组中每个元素的字节大小
ndarray.date	包含实际数组元素的缓冲区地址
ndarray.flat	数组元素的迭代器

ndarray类的形态操作方法

方法	描述
ndarray.reshape(n,m)	不改变数组ndarray，返回一个维度为(n,m)的数组
ndarray.resize(new_shape)	与reshape()作用相同，直接修改数组ndarray
ndarray.swapaxes(ax1,ax2)	将数组n个维度中任意两个维度进行调换
ndarray.flatten()	对数组进行降维，返回一个折叠后的一维数组
ndarray.ravel()	作用同np.flatten()，但是返回数组的一个视图

数组在numpy中被当做对象，可以采用 < a >.< b >()方式调用一些方法。这里给出了改变数组基础形态的操作方法，例如改变和调换数组维度等。其中，np.flatten()函数用于数组降维，相当于平铺数组中数据，该功能在矩阵运算及图像处理中用处很大。

ndarray类的索引和切片方法

方法	描述
x[i]	索引第i个元素
x[-i]	从后向前索引第i个元素
x[n:m]	默认步长为1，从前往后索引，不包含m
x[-m:-n]	默认步长为1，从后往前索引，结束为止为n
x[n,m,i]	指定i步长的由n到m的索引

数组切片得到的是原始数组的视图，所有修改都会直接反应到源数组。如果需要得到的nadarray切片的一份副本，需要进行复制操作，比如：arange[5:8].copy()

#生成5x3的数组，用随机数填充
a = np.random.rand(5,3)

#获得第二行元素
a[2]

#获得第一行和第二行的元素
a[1:3]

#反向递减，所以是第一行和第三行的元素
a[-5:-2:2]

numpy库的算术运算函数

函数	描述
np.add(x1,x2[,y])	y = x1 + x2
np.subtract(x1,x2[,y])	y = x1 - x2
np.multiply(x1,x2,[,y])	y = x1 * x2
np.divide(x1,x2[,y])	y = x1 / x2
np.floor_divide(x1,x2[,y])	y = x1 // x2，返回值取整
np.negative(x[,y])	y = -x
np.power(x1,x2[,y])	y = x1 ** x2
np.remainder(x1,x2[,y])	y = x1 % x2

这些函数中，输出参数y可选，如果没有指定，将创建并返回一个新的数组保存计算结果；如果指定参数，则将结果保存到参数中。例如，两个数组相加可以简单地写为a+b，而np.add(a,b,a)则表示a+=b。

numpy库的比较运算函数

函数	描述
np.equal(x1,x2,[,y])	y = x1 == x2
np.not_equal(x1,x2[,y])	y = x1! = x2
np.less(x1,x2,[,y])	y = x1 < x2
np.less_equal(x1,x2,[,y])	y = x1 <= x2
np.greater(x1,x2,[,y])	y = x1 > x2
np.greater_equal(x1,x2,[,y])	y = x1 >= x2
np.where(condition[x,y])	根据给出的条件判断输出x还是y

其将返回一个布尔数组，它包含两个数组中对应元素值的比较结果。
where()函数是三元表达式x if condition else y的矢量版本。
具体用法可参考此文章：【再回首Python之美】【numpy】剖析numpy.where(condition[,x ,y])

numpy库的其他运算函数

函数	描述
np.abs(x)	计算基于元素的整形，浮点或复数的绝对值
np.sqrt(x)	计算每个元素的平方根
np.squre(x)	计算每个元素的平方
np.sign(x)	计算每个元素的符号：1(+),0, -1(-)
np.ceil(x)	计算大于或等于每个元素的最小值
np.floor(x)	计算小于或等于每个元素的最大值
np.rint(x,[,out])	圆整，取每个元素为最近的整数，保留数据类型
np.exp(x[,out])	计算每个元素指数值
np.log(x),np.log10(x),np.log2(x)	计算自然对数(e)，基于10,2的对数，log(1+x)

推荐文章：Numpy基本用法