5.3 NumPy科学计算库

最新推荐文章于 2022-07-17 21:52:48 发布

adamlay

最新推荐文章于 2022-07-17 21:52:48 发布

阅读量187

点赞数

本文链接：https://blog.csdn.net/adamlay/article/details/113817414

版权

NumPy
- NumPy强大功能
1. 基本操作
- 1.1 创建数组
- - 内置函数
- 1.2 查看操作
- 1.3 文件IO操作
2. 数据类型
- 2.2 asarray指定数据类型
- 2.3 astype数据类型转换
3. 数组运算
- 3.1 加减乘除幂运算
- 3.2 逻辑运算
- 3.3 数组与标量计算
- 3.4 *=、+=、-=操作
4. 复制和视图
- 4.1 完全没有复制
- 4.2 查看或浅拷贝(view方法)
- 4.3 深拷贝（copy方法）
5. 索引、切片和迭代
- 5.1 基本索引和切片
- 5.2 花式索引和索引技巧
6. 形状操作
- 6.1 数组变形
- 6.2 数组转置
- 6.3 数组堆叠
- 6.4 split数组拆分
7. 广播机制
- 7.1 一堆数组广播
- 7.2 ⼆维数组的⼴播
- 7.3 三维数组⼴播
8. 通用函数
- 8.1 通用函数：元素级数字函数
- 8.2 where函数
- 8.3 排序方法
- 8.4 集合运算函数
- 8.5 数学和统计函数
9. 线性代数
- 9.1 矩阵乘积
- 9.2 矩阵其他计算

NumPy

NumPy（Numerical Python）是Python的⼀种开源的数值计算扩展。
提供多维数组对象，各种派⽣对象（如掩码数组和矩阵），这种⼯具可⽤来存储和处理⼤型矩阵，⽐Python⾃身的嵌套列表（nestedlist structure)结构要⾼效的多（该结构也可以⽤来表示矩阵（matrix）），⽀持⼤量的维度数组与矩阵运算，此外也针对数组运算提供⼤量的数学函数库，包括数学、逻辑、形状操作、排序、选择、输⼊输出、离散傅⽴叶变换、基本线性代数，基本统计运算和随机模拟等等。

NumPy强大功能

强⼤的N维数组
成熟的⼴播功能
⽤于整合C/C++和Fortran代码的⼯具包
NumPy提供了全⾯的数学功能、随机数⽣成器和线性代数功能

1. 基本操作

1.1 创建数组

使⽤array函数，将Python下的list转换为ndarray(N维数组对象)

list = [1,3,5,7,9]
a = np.array(list)
a
# array([1, 3, 5, 7, 9])

内置函数

可以利⽤np中的⼀些内置函数来创建数组

import numpy as np
arr1 = np.ones(10) # 输出为：array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
arr2 = np.zeros(10) # 输出为： array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
arr3 = np.full(shape = [2,3],fill_value=2.718)
# 输出为：
# array([[2.718, 2.718, 2.718],
# [2.718, 2.718, 2.718]])
arr4 = np.arange(start = 0,stop = 20,step = 2)
# 等差数列 输出为：array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
arr5 = np.linspace(start =0,stop = 9,num = 10)
# 等差数列 输出为：array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
arr6 = np.random.randint(0,100,size = 10)
# int随机数 输出为：array([ 4, 8, 79, 62, 34, 35, 2, 65, 47, 18])
arr7 = np.random.randn(5)
# 正态分布 输出为：array([ 0.57807872, 0.37922855, 2.37936837, -0.28688769,
0.2882854 ])
arr8 = np.random.random(size = 5)
# float 随机数 输出为：array([0.59646412, 0.37960586, 0.38077327, 0.76983539,
0.22689201])

1.2 查看操作

NumPy的数组类称为ndarray，也被称为别名 array。

请注意，numpy.array这与标准Python库类array.array不同，后者仅处理⼀维数组且功能较少。

1.2.1 数组的轴数、维度

arr = np.random.randint(0,100,size = (3,4,5))
arr 
# 输出：array([[[34, 71, 34, 98, 56],
#         [46, 72, 11, 73,  6],
#         [15, 59, 13, 78, 28],
#         [84, 74, 64, 67,  1]],

#        [[70, 87,  3, 24, 70],
#         [95, 15, 23, 34, 81],
#         [32, 99, 54, 49, 39],
#         [85, 16,  5,  7, 30]],

#        [[11, 32, 41, 54, 99],
#         [25, 39, 13, 99, 12],
#         [82, 30, 33, 45, 18],
#         [ 9, 15, 48, 31, 87]]])
arr.ndim # ndim即数值的维度，输出 3

1.2.2 数组尺寸形状

arr = np.random.randint(0,100,size = (3,4,5))
arr.shape # 输出 (3,4,5)

1.2.3 数组元素的总数

arr = np.random.randint(0,100,size = (3,4,5))
arr.size # 输出60,即3*4*5

1.2.4 数组类型

arr = np.random.randint(0,100,size = (3,4,5))
arr.dtype # 输出 dtype('int32')

1.2.5 数组中每个元素的大小（以字节为单位）

arr = np.random.randint(0,100,size = (3,4,5))
arr.itemsize #输出是4，因为数据类型是int32，32位，⼀个字节是8位，所以32/8 = 4

1.3 文件IO操作

1.3.1 保存数组

save⽅法保存ndarray到⼀个npy⽂件，也可以使⽤savez将多个array保存到⼀个.npz⽂件中

x = np.random.randn(5)
y = np.arange(0,10,1)
#save⽅法可以存⼀个ndarray
np.save("x_arr",x)
#如果要存多个数组，要是⽤savez⽅法，保存时以key-value形式保存，key任意（xarr、yarr）
np.savez("some_array",xarr = x,yarr=y)

1.3.2 读取

load⽅法来读取存储的数组，如果是.npz⽂件的话，读取之后相当于形成了⼀个key-value类型的变量，通过保存时定义的key来获取相应的array

np.load('x_arr.npy') # 直接加载
# 通过key获取保存的数组数据
np.load('some_array.npz')['yarr']

1.3.3 读写csv、txt文件

arr = np.random.randint(0,10,size = (3,4))
#储存数组到txt⽂件
np.savetxt("arr.csv",arr,delimiter=',') # ⽂件后缀是txt也是⼀样的
#读取txt⽂件，delimiter为分隔符，dtype为数据类型
np.loadtxt("arr.csv",delimiter=',',dtype=np.int32)

2. 数据类型

2.2 asarray指定数据类型

arr = [1,3,5,7,2,9,0]
np.asarray(arr,dtype = 'float32')

2.3 astype数据类型转换

arr = np.random.randint(0,10,size = 5,dtype = 'int16')
arr.astype('float32')

3. 数组运算

3.1 加减乘除幂运算

import numpy as np
arr1 = np.array([1,2,3,4,5])
arr2 = np.array([2,3,1,5,9])
arr1 - arr2 # 减法
arr1 * arr2 # 乘法
arr1 / arr2 # 除法
arr1**arr2 # 两个星号表示幂运算

3.2 逻辑运算

import numpy as np
arr1 = np.array([1,2,3,4,5])
arr2 = np.array([1,0,2,3,5])
arr1 < 5
arr1 >= 5
arr1 == 5
arr1 == arr2
arr1 > arr2

3.3 数组与标量计算

数组与标量的算术运算也会将标量值传播到各个元素

import numpy as np
arr = np.arange(1,10)
1/arr
arr+5
arr*5

3.4 *=、+=、-=操作

某些操作（例如+=和*=）只会修改现有数组，⽽不是创建⼀个新数组

arr1 = np.arange(5)
arr1 +=5
arr1 -=5
arr1 *=5

4. 复制和视图

在操作数组时，有时会将其数据复制到新数组中，有时不复制。有以下三种情况——

4.1 完全没有复制

a = np.random.randint(0,100,size = (4,5))
b = a
a is b # 返回True a和b是两个不同名字对应同⼀个内存对象
b[0,0] = 1024 # 命运共同体
display(a,b)

4.2 查看或浅拷贝(view方法)

不同的数组对象可以共享相同的数据

a = np.random.randint(0,100,size = (4,5))
b = a.view() # 使⽤a中的数据创建⼀个新数组对象
a is b # 返回False a和b是两个不同名字对应同⼀个内存对象
b.base is a # 返回True，b视图的根数据和a⼀样
b.flags.owndata # 返回False b中的数据不是其⾃⼰的
a.flags.owndata # 返回True a中的数据是其⾃⼰的
b[0,0] = 1024 # a和b的数据都发⽣改变
display(a,b)

4.3 深拷贝（copy方法）

a = np.random.randint(0,100,size = (4,5))
b = a.copy()
b is a # 返回False
b.base is a # 返回False
b.flags.owndata # 返回True
a.flags.owndata # 返回True
b[0,0] = 1024 # b改变，a不变，分道扬镳
display(a,b)

copy应该在不再需要原来的数组情况下，切⽚后调⽤

a = np.arange(1e8)
b = a[::1000000].copy() # 每100万个数据中取⼀个数据
del a # 不在需要a，删除占⼤内存的a
b.shape # shape(100,)

5. 索引、切片和迭代

5.1 基本索引和切片

numpy中数组切片是原始数组的视图，这意味着数据不会被复制，视图上任何数据的修改都会反映到原
数组上

arr = np.array([0,1,2,3,4,5,6,7,8,9])
arr[5] #索引 输出 5
arr[5:8] #切⽚输出：array([5, 6, 7])
arr[2::2] # 从索引2开始每两个中取⼀个 输出 array([2, 4, 6, 8])
arr[::3] # 不写索引默认从0开始，每3个中取⼀个 输出为 array([0, 3, 6, 9])
arr[1:7:2] # 从索引1开始到索引7结束，左闭右开，每2个数中取⼀个 输出 array([1, 3, 5])
arr[::-1] # 倒序 输出 array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
arr[::-2] # 倒序 每两个取⼀个 输出 array([9, 7, 5, 3, 1])
arr[5:8]=12 # 切⽚赋值会赋值到每个元素上，与列表操作不同
temp = arr[5:8]
temp[1] = 1024
arr # 输出：array([ 0, 1, 2, 3, 4, 12, 1024, 12, 8, 9])

对于⼆维数组或者⾼维数组，我们可以按照之前的知识来索引，当然也可以传⼊⼀个以逗号隔开的索引列表来选区单个或多个元素

arr2d = np.array([[1,3,5],[2,4,6],[-2,-7,-9],[6,6,6]]) # ⼆维数组 shape(3,4)
arr2d[0,-1] #索引 等于arr2d[0][-1] 输出 5
arr2d[0,2] #索引 等于arr2d[0][2] == arr2d[0][-1] 输出 5
arr2d[:2,-2:] #切⽚ 第⼀维和第⼆维都进⾏切⽚ 等于arr2d[:2][:,1:]
arr2d[:2,1:] #切⽚ 1 == -2 ⼀个是正序，另个⼀是倒序，对应相同的位置
# 输出：
#array([[3, 5],
# [4, 6]])

5.2 花式索引和索引技巧

整数数组进⾏索引即花式索引,其和切⽚不⼀样，它总是将数据复制到新数组,即返回深拷贝的数据

import numpy as np
#⼀维
arr1 = np.array([1,2,3,4,5,6,7,8,9,10])
arr2 = arr1[[1,3,3,5,7,7,7]] # 输出 array([2, 4, 4, 6, 8, 8, 8])
arr2[-1] = 1024 # 修改值，不影响arr1
#⼆维
arr2d = np.array([[1,3,5,7,9],[2,4,6,8,10],[12,18,22,23,37],
[123,55,17,88,103]]) #shape(4,5)
arr2d[[1,3]] # 获取第⼆⾏和第四⾏，索引从0开始的所以1对应第⼆⾏
# 输出 array([[ 2, 4, 6, 8, 10],
# [123, 55, 17, 88, 103]])
arr2d[([1,3],[2,4])] # 相当于arr2d[1,2]获取⼀个元素,arr2d[3,4]获取另⼀个元素
# 输出为 array([ 6, 103])
# 选择⼀个区域
arr2d[np.ix_([1,3,3,3],[2,4,4])] # 相当于 arr2d[[1,3,3,3]][:,[2,4,4]]
arr2d[[1,3,3,3]][:,[2,4,4]]
# ix_()函数可⽤于组合不同的向量
# 第⼀个列表存的是待提取元素的⾏标，第⼆个列表存的是待提取元素的列标
# 输出为
# array([[ 6, 10, 10],
# [ 17, 103, 103],
# [ 17, 103, 103],
# [ 17, 103, 103]])

布尔值索引

names =
np.array(['softpo','Brandon','Will','Michael','Will','Ella','Daniel','softpo','
Will','Brandon'])
cond1 = names == 'Will'
cond1
# 输出array([False, False, True, False, True, False, False, False, True,
False])
names[cond1] # array(['Will', 'Will', 'Will'], dtype='<U7')
arr = np.random.randint(0,100,size = (10,8)) # 0~100随机数
cond2 = arr > 90
# 找到所有⼤于90的索引，返回boolean类型的数组 shape(10,8)，⼤于返回True，否则False
arr[cond2] # 返回数据全部是⼤于90的

6. 形状操作

6.1 数组变形

import numpy as np
arr1 = np.random.randint(0,10,size = (3,4,5))
arr2 = arr1.reshape(12,5) # 形状改变，返回新数组
arr3 = arr1.reshape(-1,5) # ⾃动“整形”，⾃动计算

6.2 数组转置

import numpy as np
arr1 = np.random.randint(0,10,size = (3,5)) # shape(3,5)
arr1.T # shape(5,3) 转置
arr2 = np.random.randint(0,10,size = (3,6,4)) # shape(3,6,4)
np.transpose(arr2,axes=(2,0,1)) # transpose改变数组维度 shape(4,3,6)

6.3 数组堆叠

import numpy as np
arr1 = np.array([[1,2,3]])
arr2 = np.array([[4,5,6]])
np.concatenate([arr1,arr2],axis = 0)
# 串联合并shape(2,3) axis = 0表示第⼀维串联 输出为
# array([[1, 2, 3],
# [4, 5, 6]])
np.concatenate([arr1,arr2],axis = 1)
# shape(1,6) axis = 1表示第⼆维串联 输出为：array([[1, 2, 3, 4, 5, 6]])
np.hstack((arr1,arr2)) # ⽔平⽅向堆叠 输出为：array([[1, 2, 3, 4, 5, 6]])
np.vstack((arr1,arr2))
# 竖直⽅向堆叠，输出为：
# array([[1, 2, 3],
# [4, 5, 6]])

6.4 split数组拆分

import numpy as np
arr = np.random.randint(0,10,size = (6,5)) # shape(6,5)
np.split(arr,indices_or_sections=2,axis = 0) # 在第⼀维（6）平均分成两份
np.split(arr,indices_or_sections=[2,3],axis = 1) # 在第⼆维（5）以索引2，3为断点分割
成3份
np.vsplit(arr,indices_or_sections=3) # 在竖直⽅向平均分割成3份
np.hsplit(arr,indices_or_sections=[1,4]) # 在⽔平⽅向，以索引1，4为断点分割成3份

7. 广播机制

当两个数组的形状并不相同的时候，我们可以通过扩展数组的⽅法来实现相加、相减、相乘等操作，这
种机制叫做⼴播（broadcasting）

7.1 一堆数组广播

在这里插入图片描述

import numpy as np
arr1 = np.sort(np.array([0,1,2,3]*3)).reshape(4,3) #shape(4,3)
arr2 = np.array([1,2,3]) # shape(3,)
arr3 = arr1 + arr2 # arr2进⾏⼴播复制4份 shape(4,3)
arr3

7.2 ⼆维数组的⼴播

在这里插入图片描述

import numpy as np
arr1 = np.sort(np.array([0,1,2,3]*3)).reshape(4,3) # shape(4,3)
arr2 = np.array([[1],[2],[3],[4]]) # shape(4,1)
arr3 = arr1 + arr2 # arr2 进⾏⼴播复制3份 shape(4,3)
arr3

7.3 三维数组⼴播

在这里插入图片描述

import numpy as np
arr1 = np.array([0,1,2,3,4,5,6,7]*3).reshape(3,4,2) #shape(3,4,2)
arr2 = np.array([0,1,2,3,4,5,6,7]).reshape(4,2) #shape(4,2)
arr3 = arr1 + arr2 # arr2数组在0维上复制3份 shape(3,4,2)
arr3

在这里插入图片描述

8. 通用函数

8.1 通用函数：元素级数字函数

import numpy as np
arr1 = np.array([1,4,8,9,16,25])
np.sqrt(arr1) # 开平⽅
np.square(arr1) # 平⽅
np.clip(arr1,2,16) # 输出 array([ 2, 4, 8, 9, 16, 16])
x = np.array([1,5,2,9,3,6,8])
y = np.array([2,4,3,7,1,9,0])
np.maximum(x,y) # 返回两个数组中的⽐较⼤的值
arr2 = np.random.randint(0,10,size = (5,5))
np.inner(arr2[0],arr2) #返回⼀维数组向量内积

8.2 where函数

where 函数，三个参数，条件为真时选择值的数组，条件为假时选择值的数组

import numpy as np
arr1 = np.array([1,3,5,7,9])
arr2 = np.array([2,4,6,8,10])
cond = np.array([True,False,True,True,False])
np.where(cond,arr1,arr2) # True选择arr1，False选择arr2的值
# 输出 array([ 1, 4, 5, 7, 10])
arr3 = np.random.randint(0,30,size = 20)
np.where(arr3 < 15,arr3,-15) # ⼩于15还是⾃身的值，⼤于15设置成-15

8.3 排序方法

arr.sort()、np.sort()、arr.argsort()

（和其他python语法一样，方法改变数据，函数不改变数据）

import numpy as np
arr = np.array([9,3,11,6,17,5,4,15,1])
arr.sort() # 直接改变原数组
np.sort(arr) # 返回深拷⻉排序结果
arr = np.array([9,3,11,6,17,5,4,15,1])
arr.argsort() # 返回从⼩到⼤排序索引 array([8, 1, 6, 5, 3, 0, 2, 7, 4])

8.4 集合运算函数

A = np.array([2,4,6,8])
B = np.array([3,4,5,6])
np.intersect1d(A,B) # 交集 array([4, 6])
np.union1d(A,B) # 并集 array([2, 3, 4, 5, 6, 8])
np.setdiff1d(A,B) #差集，A中有，B中没有 array([2, 8])

8.5 数学和统计函数

import numpy as np
arr1 = np.array([1,7,2,19,23,0,88,11,6,11])
arr1.min() # 计算最⼩值 0
arr1.argmax() # 计算最⼤值的索引 返回 6
np.argwhere(arr1 > 20) # 返回⼤于20的元素的索引
np.cumsum(arr1) # 计算累加和
arr2 = np.random.randint(0,10,size = (4,5))
arr2.mean(axis = 0) # 计算列的平均值
arr2.mean(axis = 1) # 计算⾏的平均值
np.cov(arr2,rowvar=True) # 协⽅差矩阵
np.corrcoef(arr2,rowvar=True) # 相关性系数

9. 线性代数

9.1 矩阵乘积

#矩阵的乘积
A = np.array([[4,2,3],
[1,3,1]]) # shape(2,3)
B = np.array([[2,7],
[-5,-7],
[9,3]]) # shape(3,2)
np.dot(A,B) # 矩阵运算 A的最后⼀维和B的第⼀维必须⼀致
A @ B # 符号 @ 表示矩阵乘积运算

9.2 矩阵其他计算

下⾯可以计算矩阵的逆、⾏列式、特征值和特征向量、qr分解值，svd分解值

#计算矩阵的逆
from numpy.linalg import inv,det,eig,qr,svd
A = np.array([[1,2,3],
[2,3,4],
[4,5,8]]) # shape(3,3)
inv(t) # 逆矩阵
det(t)#计算矩阵⾏列式

adamlay

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

5.3 NumPy科学计算库

目录

NumPy

NumPy强大功能

1. 基本操作

1.1 创建数组

内置函数

1.2 查看操作

1.2.1 数组的轴数、维度

1.2.2 数组尺寸形状

1.2.3 数组元素的总数

1.2.4 数组类型

1.2.5 数组中每个元素的大小（以字节为单位）

1.3 文件IO操作

1.3.1 保存数组

1.3.2 读取

1.3.3 读写csv、txt文件

2. 数据类型

2.2 asarray指定数据类型

2.3 astype数据类型转换

3. 数组运算

3.1 加减乘除幂运算

3.2 逻辑运算

3.3 数组与标量计算

3.4 *=、+=、-=操作

4. 复制和视图

4.1 完全没有复制

4.2 查看或浅拷贝(view方法)

4.3 深拷贝（copy方法）

5. 索引、切片和迭代

5.1 基本索引和切片

5.2 花式索引和索引技巧

6. 形状操作

6.1 数组变形

6.2 数组转置

6.3 数组堆叠

6.4 split数组拆分

7. 广播机制

7.1 一堆数组广播

7.2 ⼆维数组的⼴播

7.3 三维数组⼴播

8. 通用函数

8.1 通用函数：元素级数字函数

8.2 where函数

8.3 排序方法

8.4 集合运算函数

8.5 数学和统计函数

9. 线性代数

9.1 矩阵乘积

9.2 矩阵其他计算