1. 简介

  NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,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。最主要的数据结构是ndarray数组。

  NumPy 通常与 SciPy(Scientific Python)和 Matplotlib(绘图库)一起使用, 这种组合广泛用于替代 MatLab。

  SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。

  Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。

  2. 创建

  创建一维数组

  (1)直接创建:np.array([1, 2, 3, 4, 5, 6])

  (2)从python的list中建立:np.array(list([1, 2, 3, 4, 5, 6]))

  创建常量值的一维数据

  (1)创建以0为常量值:np.zeros(n,dytpe=float/int)

  (2)创建以1为常量值:np.ones(n)

  (3)创建一个空数组:np.empty(4)

  创建一个元素递增的数组

  (1)从0开始增长的递增数组:np.arange(8)

  (2)给定区间,自定义步长:np.arange(0,1,0.2)

  (3)给定区间,自定义个数:np.linspace(-1,1,50)

  创建多维数组:创建单维数组,再添加进多维数组

  # 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据

  # 二维数组相当于存放的是“两层”数组而已

  arr1=np.array(list([1, 2, 3, 4, 5]))

  arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组

  arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组

  arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错

  arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错

  创建常量值的(n*m)维数据

  (1)创建以0为常量值:np.zeros((n*m),dytpe=float/int)

  (2)创建以1为常量值:np.ones((n*m))

  (3)创建一个空数组:np.empty((n*m))

  创建随机数字的数组

  生成随机数种子:

  (1)np.random.seed()

  (2)np.random.RandomState()

  生成随机数:

  函数  取值  说明

  1  np.random.rand(d0,d1,…,dn)  [0,1)  根据给定维度生成数组,服从均匀分布

  2  np.random.randint(low, high=None, size=None, dtype=’l’)  [0,low)或者[low,high)  根据size生成离散均匀分布的整数值

  3  np.random.randn(d0,d1,…,dn)    根据给定维度生成数组,服从标准正态分布

  4  np.random.random_sample(size=None)  [0,1)  根据给定维度生成随机浮点数

  5  np.random.random(size=None)  [0,1)  根据给定维度生成随机浮点数

  6  np.random.ranf(size=None)  [0,1)  根据给定维度生成随机浮点数

  7  np.random.sample(size=None)  [0,1)  根据给定维度生成随机浮点数

  生成有分布规律的随机数组

  (1)二项分布:np.random.binomial(n, p, size)

  (2)正态分布:np.random.normal(loc, scale, size)

  将csv文件转化成数组或阵列

  使用 np.genfromtxt( ‘csv文件名’,delimiter = ‘文件中的分割符’ )函数将文件转化成数组

  csv_array = np.genfromtxt('sample.csv', delimiter=',')

  print(csv_array)

  3. 数组的变形

  生成数组/矩阵转置的函数,即行列数字交换,使用.T

  a = np.array([[32, 15, 6, 9, 14],

  [12, 10, 5, 23, 1],

  [2, 16, 13, 40, 37]])

  print(a.T)

  -------------------

  # 结果如下

  [[32 12 2]

  [15 10 16]

  [ 6 5 13]

  [ 9 23 40]

  [14 1 37]]

  改变数组的形状:

  (1)arr.resize(n,m) :arr.resize(n,m)函数是原地修改数组,要求:元素的个数必须一致

  a=np.arange(8)

  a.resize(2,4)

  print(a)

  ---------------------------

  [[0 1 2 3]

  [4 5 6 7]]

  (2)arr.reshape(n,m):如果某一个维度的参数为-1,则表示元素总个数会迁就另一个维度来计算

  a=np.arange(8).reshape(-1,1)

  print(a)

  -----------------

  [[0]

  [1]

  [2]

  [3]

  [4]

  [5]

  [6]

  [7]]

  将一维升至二维:np.newaxis

  np.newaxis实际上是直接增加维度的意思,我们一般不会给数组增加太多维度,这里以一维增加到二维为例:

  (1)增加行维度:arr[np.newaxis, :]

  (2)增加列维度:arr[: , np.newaxis]

  a=np.arange(8)

  a # array([0, 1, 2, 3, 4, 5, 6, 7])

  a.shape # (8,)

  a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]])

  a.shape # (8,)

  a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]])

  a.shape # (8,)

  降维:arr.ravel()

  arr.ravel()函数在降维时:默认是行序优先生成新数组(就是一行行读);如果传入参数“F”则是列序降维生成新数组

  a=np.array([[1,2],[3,4]])

  a.ravel()

  a.ravel('F')

  ----------------------------

  # 结果 array([1, 2, 3, 4])

  # 结果 array([1, 3, 2, 4])

  4. 计算

  对数组进行计算操作

  (1)对元素进行加减计算

  a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

  b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])

  a+b

  a-b

  ----------------------------

  # a+b和a-b结果分别是:

  array([[ 1, 3, 7, 6],

  [ 8, 6, 6, 13]])

  array([[-1, -1, -3, 0],

  [ 0, 4, 6, 1]])

  (2)乘法:平方/矩阵中元素相乘

  a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

  b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])

  a**2

  a*b

  -----------------------

  # a矩阵平方/a*b矩阵中元素相乘结果分别:

  array([[ 0, 1, 4, 9],

  [16, 25, 36, 49]])

  array([[ 0, 2, 10, 9],

  [16, 5, 0, 42]])

  (3)矩阵*矩阵:

  # 要求a矩阵的行要等于b矩阵的列数;且a矩阵的列等于b矩阵的行数

  a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

  b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]])

  c1 = np.dot(a,b)

  c2 = a.dot(b)

  ----------------------

  # ab矩阵相乘的结果:c1=c2

  array([[ 31, 36],

  [ 99, 100]])

  (4)逻辑计算

  【注】列表是无法作为一个整体对其中的各个元素进行逻辑判断的!

  # 结果返回:一个数组,其中每个元素根据逻辑判断的布尔类型的结果

  a > 3

  -----------------------------

  # 结果如下:

  array([[False, False, False, False],

  [ True, True, True, True]])

  5. 取值

  获取一维数组中的某个元素:操作和list列表的index一样

  a = np.array([5, 2, 7, 0, 11])

  a[0] # 结果为 5

  a[:4] # 结果为 从头开始到索引为4结束

  a[2:] # 结果为 从索引为2的开始到结尾

  a[::2] # 结果为 从头开始到结尾,每2个取一个值

  获取多维数组的某个元素,某行或列值

  a = np.array([[32, 15, 6, 9, 14],

  [12, 10, 5, 23, 1],

  [2, 16, 13, 40, 37]])

  a[2,1] # 结果是一个元素 16

  a[2][1] # 结果是一个元素 16

  a[1] # 第2行 array([12, 10, 5, 23, 1])

  a[:,2] # 取出全部行,第2列 [15,10,16]

  a[1:3, :] # 取出[1,3)行,全部列

  a[1,1:] # array([10, 5, 23, 1])

  获取满足逻辑运算的

  # 需要注意的是,我们数据进行逻辑计算操作得到的仍然是一个数组

  # 如果我们想要的是一个过滤后的数组,就需要将"逻辑判断"传入数组中

  a = np.array([[32, 15, 6, 9, 14],

  [12, 10, 5, 23, 1],

  [2, 16, 13, 40, 37]])

  a[a > 3]

  a[(a > 3) | (a < 2)]

  ------------------------------

  # 结果分别是:

  array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37])

  array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])

  遍历:结果是按行输出

  a = np.array([[32, 15, 6, 9, 14],

  [12, 10, 5, 23, 1],

  [2, 16, 13, 40, 37]])

  for x in a:

  print(x)

  --------------------

  [32 15 6 9 14]

  [12 10 5 23 1]

  [ 2 16 13 40 37]

  6. 复制/分割/合并

  复制:arr.cope()

  分割:无锡看妇科的医院 http://www.ytsgfk120.com/

  (1)等分:np.split(arr, n, axis=0/1)(即行数或列数可以整除n时才可以)

  (2)不等分:np.array_split(arr, n) 默认按行分n份

  a = np.array([[32, 15, 6, 9, 14, 21],

  [12, 10, 5, 23, 1, 10],

  [2, 16, 13, 40, 37, 8]])

  # 可以看到a矩阵是(3*6),所以使用np.split()只能尝试行分成3份;或者列分成2/3/6份

  np.split(a,3,axis=0)

  np.split(a,3,axis=1)

  np.array_split(a,2)

  np.array_split(a,4,axis=1)

  -------------------------------------------

  [array([[32, 15, 6, 9, 14, 21]]),

  array([[12, 10, 5, 23, 1, 10]]),

  array([[ 2, 16, 13, 40, 37, 8]])]

  [array([[32, 15],

  [12, 10],

  [ 2, 16]]), array([[ 6, 9],

  [ 5, 23],

  [13, 40]]), array([[14, 21],

  [ 1, 10],

  [37, 8]])]

  [array([[32, 15, 6, 9, 14, 21],

  [12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])]

  [array([[32, 15],

  [12, 10],

  [ 2, 16]]), array([[ 6, 9],

  [ 5, 23],

  [13, 40]]), array([[14],

  [ 1],

  [37]]), array([[21],

  [10],

  [ 8]])]

  合并:np.concatenate((arr1,arr2,arr3), axis=0/1) 默认接在数据下面

  a=np.random.rand(2,3)

  b=np.random.randint(1,size=(2,3))

  np.concatenate((a,b,a)) # 接在下面

  np.concatenate((a,b,a),axis=1) # 接在后面

  ------------------------

  array([[0.95912866, 0.81396527, 0.809493 ],

  [0.4539276 , 0.24173315, 0.63931439],

  [0. , 0. , 0. ],

  [0. , 0. , 0. ],

  [0.95912866, 0.81396527, 0.809493 ],

  [0.4539276 , 0.24173315, 0.63931439]])

  array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. ,

  0. , 0.95912866, 0.81396527, 0.809493 ],

  [0.4539276 , 0.24173315, 0.63931439, 0. , 0. ,

  0. , 0.4539276 , 0.24173315, 0.63931439]])