简单理了一下科学计算库,发现这是比较枯燥的,要记的东西很多,比较烦躁。
Numpy简介:NumPy数组是一个多维数组对象,称为ndarray。Numpy主要有两部分组成,如下:
- 实际的数据
- 描述这些数据的元数据
一、基础数据结构
1、创建数组:
- array()函数,括号内可以是列表、元祖、数组、生成器
- arange(),类似range(),在给定的间隔内返回均匀间隔的值
- linespace(),返回在间隔上(前闭后闭)计算的num个均匀间隔的样本
- zeros()/zeros_like()/ones()/ones_like()
- eye(n),创建一个正方的N*N矩阵,对角线值为1,其余为0
(1)array()函数
ar1 = np.array(range(10)) # range(10)产生10个从0开始的整数
ar2 = np.array([1,2,3.14,4,5]) # 浮点型
ar3 = np.array([[1,2,3],('a','b','c')]) # 二维数组:嵌套序列(列表,元祖均可)
ar4 = np.array([[1,2,3],('a','b','c','d')]) # 注意嵌套序列数量不一会怎么样
print(ar1,type(ar1),ar1.dtype)
print(ar2,type(ar2),ar2.dtype)
print(ar3,ar3.shape,ar3.ndim,ar3.size) # 二维数组,共6个元素
print(ar4,ar4.shape,ar4.ndim,ar4.size) # 一维数组,共2个元素,两个一维数组
输出结果为:
[0 1 2 3 4 5 6 7 8 9] <class 'numpy.ndarray'> int32
[1. 2. 3.14 4. 5. ] <class 'numpy.ndarray'> float64
[['1' '2' '3']
['a' 'b' 'c']] (2, 3) 2 6
[list([1, 2, 3]) ('a', 'b', 'c', 'd')] (2,) 1 2
(2) arange()
print(np.arange(10)) # 返回0-9,整型
print(np.arange(10.0)) # 返回0.0-9.0,浮点型
print(np.arange(5,12)) # 返回5-11
print(np.arange(5.0,12,2)) # 返回5.0-12.0,步长为2
print(np.arange(10000)) # 如果数组太大而无法打印,NumPy会自动跳过数组的中心部分,并只打印边角
输出:
[0 1 2 3 4 5 6 7 8 9]
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[ 5 6 7 8 9 10 11]
[ 5. 7. 9. 11.]
[ 0 1 2 ... 9997 9998 9999]
(3)linspace() ——>返回在间隔[开始,停止]上计算的num个均匀间隔的样本。
用法:
# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
# start:起始值,stop:结束值
# num:生成样本数,默认为50
# endpoint:如果为真,则停止是最后一个样本。否则,不包括在内。默认值为True。
# retstep:如果为真,返回(样本,步骤),其中步长是样本之间的间距 → 输出为一个包含2个元素的元祖,第一个元素为array,第二个为步长实际值
ar1 = np.linspace(2.0, 3.0, num=5)
ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False)
ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)
print(ar1,type(ar1))
print(ar2)
print(ar3,type(ar3))
输出:
[2. 2.25 2.5 2.75 3. ] <class 'numpy.ndarray'>
[2. 2.2 2.4 2.6 2.8]
(array([2. , 2.25, 2.5 , 2.75, 3. ]), 0.25) <class 'tuple'>
(4)zeros()
用法:
# numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组,用零填充。
# shape:数组维度,二维以上需要用(),且输入参数为整数
# dtype:数据类型,默认numpy.float64
# order:是否在存储器中以C或Fortran连续(按行或列方式)存储多维数据。
ar1 = np.zeros(5) #创建一个一维数组,元素为5个
ar2 = np.zeros((2,2), dtype = np.int) #创建一个二维2*2的数组
print(ar1,ar1.dtype)
print(ar2,ar2.dtype)
输出:
[0. 0. 0. 0. 0.] float64
[[0 0]
[0 0]] int32
(5)zeros_like()
用法与zeros()一样
ar3 = np.array([list(range(5)),list(range(5,10))])
ar4 = np.zeros_like(ar3)
print(ar3)
print(ar4)
输出:
[[0 1 2 3 4]
[5 6 7 8 9]]
[[0 0 0 0 0]
[0 0 0 0 0]]
(6)ones()/ones_like()
ar5 = np.ones(9)
ar6 = np.ones((2,3,4))
ar7 = np.ones_like(ar3)
print(ar5)
print(ar6)
print(ar7)
输出:
[1. 1. 1. 1. 1. 1. 1. 1. 1.]
[[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]]
[[1 1 1 1 1]
[1 1 1 1 1]]
(7)eye() ——>创建一个正方形的N*N的单位矩阵,对角线为1,其余为0
print(np.eye(5))
输出:
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]]
(8)输出一些数组的方法:
.ndim | 输出数组的秩,也称而维度的个数 |
.shape | 数组的维度,对于n行m列的数组,shape(2,3) |
.size | 数组元素的总数,对于n行m列的数组,总数为n*m个 |
.dtype | 数组中元素的类型,类似type(),但请注意,dtype是方法 |
.itemsize | 数组中每个元素的字节大小,int32l类型字节为4,float64的字节为8 |
.data | 包含实际数组元素的缓冲区,有于一般通过数组的索引获取元素,所以通常不需要使用这个属性 |
(9)ndarray数据类型
类型 | 存储大小 |
---|---|
bool | 用一个字节存储的布尔类型 |
inti | 由平台决定其大小的整数 |
int8 | 一个字节的大小,-128到127 |
int16 | -32768到32767 |
int32 | -2**31到2**31-1 |
int64 | -2**63到2**63-1 |
uint8 | 0-255 |
uint16 | 0-65535 |
uint32 | 2-2**32-1 |
uint64 | 0-2**64-1 |
float16 | 半精度浮点数,16位,正负号一位,指数5位,精度10位 |
float32 | 单精度浮点数,32位,正负号一位,指数8位,精度23位 |
float64或float | 双精度浮点数,64位,正负号一位,指数11位,精度52位 |
complex64 | 复数,分别用两个32位浮点数表示是不和虚部 |
complex128或complex | 复数,分别用64位浮点数表示实部和虚部 |
二、Numpy的操作
1、索引及切片
- 一维数组的索引及切片
- 二维数组的索引及切片
- 三位数组的索引及切片
- 布尔类型的索引与切片
例:
一维数组的索引及切片
ar = np.arange(20)
print(ar)
print(ar[4])
print(ar[3:6])
输出结果为:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
4
[3 4 5]
二维数组的索引及切片
ar = np.arange(16).reshape(4,4)
print(ar, '数组轴数为%i' %ar.ndim) # 4*4的数组
print(ar[2], '数组轴数为%i' %ar[2].ndim) # 切片为下一维度的一个元素,所以是一维数组
print(ar[2][1]) # 二次索引,得到一维数组中的一个值
print(ar[2,2]) # 切片数组中的第三行第三列 → 10,跟前面一个是一样的意思
print(ar[1:3], '数组轴数为%i' %ar[1:3].ndim) # 切片为两个一维数组组成的二维数组
print(ar[:2,1:]) # 切片数组中的1,2行、2,3,4列 → 二维数组
输出:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]] 数组轴数为2
[ 8 9 10 11] 数组轴数为1
9
10
[[ 4 5 6 7]
[ 8 9 10 11]] 数组轴数为2
[[1 2 3]
[5 6 7]]
三维数组的索引及切片
ar = np.arange(8).reshape(2,2,2) #创建一个三维数组
print(ar, '数组轴数为%i' %ar.ndim) # 2*2*2的数组
print(ar[0], '数组轴数为%i' %ar[0].ndim) # 三维数组的第一个维度的第一个元素 → 一个二维数组
print(ar[0][0], '数组轴数为%i' %ar[0][0].ndim) # 三维数组的第一个维度的第一个元素下的第一个元素 → 一个一维数组
print(ar[0][0][1], '数组轴数为%i' %ar[0][0][1].ndim)
输出:
[[[0 1]
[2 3]]
[[4 5]
[6 7]]] 数组轴数为3
[[0 1]
[2 3]] 数组轴数为2
[0 1] 数组轴数为1
1 数组轴数为0
布尔类型的索引与切片:以布尔型的矩阵去做筛选,筛选出符合要求的数,很高效。例如:
ar = np.arange(12).reshape(3,4) #创建一个3*4的二维数组
i = np.array([True,False,True]) #根据要求写出布尔类型的数组
j = np.array([True,True,False,False]) #一样,根据要求写出布尔类型的数组
print(ar)
print(i)
print(j)
print(ar[i,:]) # 在第一维度做判断,只保留True,这里第一维度就是行,ar[i,:] = ar[i](简单书写格式)
print(ar[:,j]) # 在第二维度做判断,这里如果ar[:,i]会有警告,因为i是3个元素,而ar在列上有4个
m = ar > 5
print(m) # 这里m是一个判断矩阵
print(ar[m]) # 用m判断矩阵去筛选ar数组中>5的元素 → 重点!后面的pandas判断方式原理就来自此处
输出:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[ True False True]
[ True True False False]
[[ 0 1 2 3]
[ 8 9 10 11]]
[[0 1]
[4 5]
[8 9]]
[[False False False False]
[False False True True]
[ True True True True]]
[ 6 7 8 9 10 11]
2、数组的更改、复制
更改:一个标量赋值给一个索引/切片时,会自动改变/传播原始数组
ar = np.arange(10) #创建一个一维数组
print(ar)
ar[5] = 100 #改变ar的第6个元素
ar[7:9] = 200 #改变ar第8.9个元素
print(ar)
输出:
[0 1 2 3 4 5 6 7 8 9]
[ 0 1 2 3 4 100 6 200 200 9]
复制:
ar = np.arange(10) #创建一个一维数组
b = ar.copy() #b复制ar
b[7:9] = 200 #将b中第8、9个元素改变成200
print(ar) #输出ar,看是否会改变,不过事实证明不会改变
print(b)
输出:
[0 1 2 3 4 5 6 7 8 9] #输出结果不会因复制的改变而改变
[ 0 1 2 3 4 5 6 200 200 9]
三、随机数生成 (np.random)
1、生成一个随机浮点数:(numpy.random.rand(d0, d1, ..., dn):生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布)
a = np.random.rand() # 生成一个随机浮点数
print(a,type(a))
b = np.random.rand(4) # 生成形状为4的一维数组
print(b,type(b))
c = np.random.rand(2,3) # 生成形状为2*3的二维数组,注意这里不是((2,3)),会报错
print(c,type(c))
samples1 = np.random.rand(1000)
samples2 = np.random.rand(1000)
plt.scatter(samples1,samples2)
# 生成1000个均匀分布的样本值
2、生成一个整数或N维整数数组:numpy.random.randint(low, high=None, size=None, dtype='l'):生成一个整数或N维整数数组
# 若high不为None时,取[low,high)之间随机整数,否则取值[0,low)之间随机整数,且high必须大于low
# dtype参数:只能是int类型
print(np.random.randint(2))
# low=2:生成1个[0,2)之间随机整数
print(np.random.randint(2,size=5))
# low=2,size=5 :生成5个[0,2)之间随机整数
print(np.random.randint(2,6,size=5))
# low=2,high=6,size=5:生成5个[2,6)之间随机整数
print(np.random.randint(2,size=(2,3)))
# low=2,size=(2,3):生成一个2x3整数数组,取数范围:[0,2)随机整数
print(np.random.randint(2,6,(2,3)))
# low=2,high=6,size=(2,3):生成一个2*3整数数组,取值范围:[2,6)随机整数
输出:
1
[1 0 0 0 1]
[2 5 3 5 5]
[[0 0 0]
[0 0 1]]
[[5 2 3]
[2 5 3]]
3、随机种子:
作用:计算机实现的随机数生成通常为伪随机数生成器,为了使得具备随机性的代码最终的结果可复现,需要设置相同的种子值。
用法:np.random.RandomState → 随机数种子,对于一个随机数发生器,只要该种子(seed)相同,产生的随机数序列就是相同的。
例如:
rng = np.random.RandomState(1)
xtrain = 10 * rng.rand(30)
ytrain = 8 + 4 * xtrain + rng.rand(30)
# 生成随机数据x与y
# 样本关系:y = 8 + 4*x
四、Numpy通用函数
1、数组形状: .T/.reshape()/.resize()
- .T方法:转置,例如原shape为(3,4)/(2,3,4),转置结果为(4,3)/(4,3,2) → 所以一维数组转置后结果不变
- 改变数组的行与列,比如原来是3*4,可以用这个函数改成2*6
- .resize(a, new_shape):返回具有指定形状的新数组,如有必要可重复填充所需数量的元素。
- .T/.reshape()/.resize()都是生成新的数组,可以跟下面的赋值和复制一起记。
例如:
.T
ar1 = np.arange(10) #生成一个一维数组
ar2 = np.ones((5,2)) #生成一个5*2的全为1数组
print(ar1,'\n',ar1.T)
print(ar2,'\n',ar2.T)
输出:
[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
[[1. 1.]
[1. 1.]
[1. 1.]
[1. 1.]
[1. 1.]]
[[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]]
.reshape() :numpy.reshape(a, newshape, order='C'):为数组提供新形状,而不更改其数据,所以元素数量需要一致!!
有三种用法:
- 直接将已有数组改变形状
- 生成数组后直接改变形状
- 参数内添加数组,目标形状
ar3 = ar1.reshape(2,5) # 用法1:直接将已有数组改变形状
ar4 = np.zeros((4,6)).reshape(3,8) # 用法2:生成数组后直接改变形状
ar5 = np.reshape(np.arange(12),(3,4)) # 用法3:参数内添加数组,目标形状
print(ar1,'\n',ar3)
print(ar4)
print(ar5)
输出:
[0 1 2 3 4 5 6 7 8 9]
[[0 1 2 3 4]
[5 6 7 8 9]]
[[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
2、数组的复制与赋值:
赋值:指向内存中生成的一个值
ar1 = np.arange(10) #创建一个一维数组
ar2 = ar1 #ar1赋值给ar2
print(ar2 is ar1) #判断ar2跟ar1是否在同一个内存地址
ar1[2] = 9 #修改ar1的值
print(ar1,ar2)
输出:
True ####有这个结果可以知道,赋值只是指向值的内存
[0 1 9 3 4 5 6 7 8 9] [0 1 9 3 4 5 6 7 8 9] ##改变原数组,会改变被赋值的数组
copy:copy()方法会生成数组及其数据的完整拷贝,我的理解是生成一个完全一样的东西。所以,在改变一个数组的时候,另一个数组不会改变。
ar3 = ar1.copy() #复制ar1数组
print(ar3 is ar1) #判断两个数组的id值是否相等,即判断是否指向同一个内存地址
ar1[0] = 9 #改变ar1的值,测试会不会对ar3有影响,但事实证明不会改变ar3
print(ar1,ar3)
输出:
False
[9 1 9 3 4 5 6 7 8 9] [0 1 9 3 4 5 6 7 8 9]
我特地去查了下is的意思:is比较的是两个对象的id值是否相等,也就是比较两个对象是否为同一个实例对象,是否指向同一个内存地址。
is 与 ==的区别:
- 同:is和==都是对对象进行比较判断作用的
- 异:is比较的是两个对象的id值是否相等,也就是比较两个对象是否为同一个实例对象,是否指向同一个内存地址。==比较的是两个对象的内容是否相等,默认会调用对象的__eq__()方法。
3、数组的类型转换
(1)、创建的时候在参数位置设置数组类型:
ar1 = np.arange(10,dtype=float) #创建一个一维数组,并且定义类型为float
print(ar1,ar1.dtype)
输出:
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] float64
(2)、转换数组类型:
ar2 = ar1.astype(np.int32) #将上面个ar1的数组元素的类型转换成int32.
#注意这里要养成好习惯,数组类型用np.int32,而不是直接int32
print(ar2,ar2.dtype)
print(ar1,ar1.dtype)
输出:
[0 1 2 3 4 5 6 7 8 9] int32
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] float64
4、数组的堆叠
- 水平堆叠(hstack(),这里注意行要有相同的行数,不然就不能实现这个)
- 竖直堆叠(vstack(), 这里注意列要有相同的行数,不然就不能实现这个)
(1)水平堆叠
a = np.arange(5) # a为一维数组,5个元素
b = np.arange(5,9) # b为一维数组,4个元素
ar1 = np.hstack((a,b)) # 注意:((a,b)),这里形状可以不一样
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
输出:
[0 1 2 3 4] (5,)
[5 6 7 8] (4,)
[0 1 2 3 4 5 6 7 8] (9,)
a = np.array([[1],[2],[3]]) # a为二维数组,3行1列
b = np.array([['a'],['b'],['c']]) # b为二维数组,3行1列
ar2 = np.hstack((a,b)) # 注意:((a,b)),这里形状必须一样
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
输出:
[[1]
[2]
[3]] (3, 1)
[['a']
['b']
['c']] (3, 1)
[['1' 'a']
['2' 'b']
['3' 'c']] (3, 2)
(2)竖直堆叠:
a = np.arange(5) #创建一个5个元素的一维数组
b = np.arange(5,10) #创建一个5个元素的一位数组
ar1 = np.vstack((a,b)) #堆叠两个数组的列
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
输出:
[0 1 2 3 4] (5,)
[5 6 7 8 9] (5,)
[[0 1 2 3 4]
[5 6 7 8 9]] (2, 5)
a = np.array([[1],[2],[3]]) #一个3个元素的一维数组
b = np.array([['a'],['b'],['c'],['d']]) #一个4个元素的一维数组
ar2 = np.vstack((a,b)) # 这里形状可以不一样
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
输出:
[[1]
[2]
[3]] (3, 1)
[['a']
['b']
['c']
['d']] (4, 1)
[['1']
['2']
['3']
['a']
['b']
['c']
['d']] (7, 1)
(3)numpy.stack():
用法:
numpy.stack(arrays, axis=0):
- axis=0时是水平堆叠
- axis=1时是竖直堆叠
。。。。。。。。。。。。。。这种解释是错的。。。。。。。。。。。。。。。。。。
看例子:
# 假设两个数组[1 2 3]和[4 5 6],shape均为(3,0)
# axis=0:[[1 2 3] [4 5 6]],shape为(2,3) #注意这不是水平堆叠
# axis=1:[[1 4] [2 5] [3 6]],shape为(3,2) #注意这也不是竖直堆叠
例如:
a = np.arange(5)
b = np.arange(5,10)
ar1 = np.stack((a,b))
ar2 = np.stack((a,b),axis = 1)
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
print(ar2,ar2.shape)
输出:
[0 1 2 3 4] (5,)
[5 6 7 8 9] (5,)
[[0 1 2 3 4]
[5 6 7 8 9]] (2, 5)
[[0 5]
[1 6]
[2 7]
[3 8]
[4 9]] (5, 2)
我觉得可以理解成1122334455,意义对应。
5、数组拆分
numpy.hsplit(ary, indices_or_sections) :将数组水平(逐列)拆分为多个子数组 → 按列拆分;输出结果为列表,列表中元素为数组。
ar = np.arange(16).reshape(4,4)
ar1 = np.hsplit(ar,2)
print(ar)
print(ar1,type(ar1))
输出:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
[array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]),
array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])] <class 'list'>
numpy.vsplit(ary, indices_or_sections):将数组垂直(行方向)拆分为多个子数组 → 按行拆分
ar2 = np.vsplit(ar,4)
print(ar2,type(ar2))
输出:
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]]), array([[12, 13, 14, 15]])] <class 'list'>
6、数组的简单运算
加减乘除幂运算,这些运算都是对数组中没个元素,而不是一整个数组。与标量的运算相同
例如:
ar = np.arange(6).reshape(2,3)
print(ar)
print(ar + 10) # 加法(减法也是一样的)
print(ar * 2) # 乘法
print(1 / (ar+1)) # 除法
print(ar ** 0.5) # 幂
输出:
[[0 1 2]
[3 4 5]]
[[10 11 12]
[13 14 15]]
[[ 0 2 4]
[ 6 8 10]]
[[1. 0.5 0.33333333]
[0.25 0.2 0.16666667]]
[[0. 1. 1.41421356]
[1.73205081 2. 2.23606798]]
另外还有一些常用函数:
print(ar.mean()) # 求平均值
print(ar.max()) # 求最大值
print(ar.min()) # 求最小值
print(ar.std()) # 求标准差
print(ar.var()) # 求方差
print(ar.sum(), np.sum(ar,axis = 0)) # 求和,np.sum() → axis为0,按列求和;axis为1,按行求和
print(np.sort(np.array([1,4,3,2,5,6]))) # 排序