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 |
![](https://i-blog.csdnimg.cn/blog_migrate/a4b61e443c6470e0b915409bf9beba7a.png)
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]
![](https://i-blog.csdnimg.cn/blog_migrate/8edf5cbab16173cd127635db58e2f4c0.png)
![](https://i-blog.csdnimg.cn/blog_migrate/e0e87586c8df499beb5e3d2139a0e9f9.png)
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) |