python学习记录(4)——numpy_import numpy as np arr = np.arange(1,4) arr.sum()-CSDN博客

本文链接：https://blog.csdn.net/cigarrrr/article/details/119424347

Numpy

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。它包含：

ndarray, 一个有效的多维数组，能提供以数组为导向的快速数值计算和灵活的广播功能（broadcasting）
便利的数学函数
用于读取/写入(reading/writing)数据到磁盘的便利工具
线性代数，随机数生成，傅里叶变换能力
整合 C/C++/Fortran 代码的工具

import numpy as np		#默认的常规操作，用起来方便

ndarrays——n维数组

创建n维数组

使用array函数，输入一个序列即可，比如list（根据维数需求可以嵌套列表），array还可以指定数据类型：

[In]:
data = [[1, 2, 3, 4], [5, 6, 7, 8]] #嵌套列表
arr = np.array(data2)
arr
[out]:
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

[In]:arr1 = np.array([1, 2, 3], dtype=np.float64)

zeros，ones可以创建全为0和全为1的数组，还可以在一个tuple里指定shape；
eye可以创建单位矩阵
empty并不能保证返回所有是0的数组，某些情况下，会返回为初始化的垃圾数值；
arange是一个数组版的range函数：

[In]:np.zeros(10)
[Out]:array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

[In]:np.zeros((3, 6))
[Out]:array([[0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0.]])
#维数是作为一个参数输入，因此需要加括号将其作为一个整体       

[In]:np.empty((2, 3, 2))
[Out]:array([[[1.32696695e-311, 2.47032823e-322],
        [0.00000000e+000, 0.00000000e+000],
        [0.00000000e+000, 2.92966904e-033]],

       [[6.20490760e-091, 2.21464435e+160],
        [2.34085430e-057, 9.05625529e-043],
        [3.99910963e+252, 2.69776571e+184]]])

[In]:np.arange(15)
[Out]:array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

维度，数据类型

shape，表示维度大小；
dtype，表示data type；

[In]:arr.shape
[Out]:(2,4)

[In]:arr.dtype
[Out]:dtype('int32')

astype，用来来转换类型：
a. 如果是把float变为int，小数点后的部分会被丢弃(向下取整)
b. astype可以把string里的数字变为实际的数字，但是要十分注意numpy.string_类型，这种类型的长度是固定的，所以可能会直接截取部分输入而不给警告。
c. astype里面可以直接用别的数组的类型，如arr1.astype(arr.dtype)

[In]:arr = arr.astype(np.float64)
	 arr.dtype
[Out]:dtype('float64')

[In]:numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
	 numeric_strings
[Out]:array([b'1.25', b'-9.6', b'42'], dtype='|S4')
[In]:numeric_strings.astype(float)
[Out]:array([ 1.25, -9.6 , 42.  ])

数组计算与赋值，访问单一元素

任何两个大小相等的数组之间的运算，都是element-wise（点对点），如+，-，*，/，**等等。

如果想计算矩阵间的乘法，可以使用np.dot()

标量和数组都能赋给数组元素（如arr[1]），赋值标量时相当于给数组某一维或者某几个维度的所有元素赋值（如arr[1]=9）。
访问单一元素有两种方法：

arr[1][1]
arr[1,1]
6

索引

索引和之前讲过的差不多，规则都是前闭后开，从零开始。

布尔值作为索引

[In]:names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
	 data = np.random.randn(7, 4)
	 data[names == 'Bob']
{out]:array([[ 0.93712697,  0.63762909, -1.65453584, -0.73713961],
       [-0.81897648, -0.98178569, -0.14503704,  0.80626929]])
#此处是索引了等于Bob的数据行，可以额外添加列的数值要求

多个条件要使用布尔运算符&，|，~等。但是要注意用布尔索引总是会返回一份新创建的数据，原本的数据不会被改变。 如果要更改值也很简单，如将负数变为零：

data[data < 0] = 0

多维索引数组，能选出由一维数组中的元素，通过在每个tuple中指定索引

[In]:arr = np.arange(32).reshape((8, 4))    #理解成1维，改变形状为2维
	 arr
{out]:array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27],
       [28, 29, 30, 31]])

[In]:arr[[1, 5, 7, 2], [0, 3, 1, 2]]   #逗号左边对应行，右边对应列
{out]:array([ 4, 23, 29, 10])

切片

切片的性质

[In]:arr = np.arange(10)
	 arr[5:8] = 12
	 arr
[Out]:array([ 0,  1,  2,  3,  4, 12, 12, 12,  8,  9])

这里把12赋给arr[5:8]，其实用到了broadcasted。
这里有一个比较重要的概念需要区分，python内建的list与numpy的array有个明显的区别，这里array的切片后的结果只是一个views（视图），用来代表原有array对应的元素，而不是创建了一个新的array。但 list里的切片是产生了一个新的list。
也就是说，当改变array的切片时，原数组也会受到影响，但python中的列表（list）则不会受到切片影响：

[In]:arr_slice = arr[5:8]
	 arr_slice[1] = 12345
	 arr
[Out]:array([ 0,  1,  2,  3,  4, 12, 12345, 12,  8,  9])

[In]:x=[1,2,3,4,5] 
 	 y=x 
	 y[1]=9
	 x
[Out]:[1, 9, 3, 4, 5]
#这种情况下相当于同时改变了x，y的第二个值

[In]:z=y[1:4]
	 z[1]=8
	 y
[Out]:[1, 9, 3, 4, 5]
#z是y的切片，因此y本身不受z改变的影响

如果想要复制，可以使用copy()方法，比如arr[5:8].copy()进行赋值。

多维数组的切片
多维数组的切片是沿着行来处理的。所以，数组中的切片，是要沿着设置的axis来处理的。
当然，给定多个索引后，也可以使用复数切片：

[In]:arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
[Out]:array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])	 
[In]:arr2d[:2, 1:]
[Out]:array([[2, 3],
       [5, 6]])
#前两行，第二列之后

转置

以下方法均只返回一个view，而不是新建一个数组。

T属性

arr.T

transpose
首先要明确，多维数组的第一个方括号“[]”为 0轴，第二个方括号为1轴，以此类推。
对于二维数组，arr.transpose默认是转置，但是当维数更高时，会接受由轴数字组成的tuple，来交换轴。以三维为例：

易知transpose可以通过指定轴的顺序从而交换轴位置

[In]:arr = np.arange(16).reshape((2, 2, 4))
	 arr
[Out]:array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
[In]:arr.transpose(( 1,0,2))
[Out]:array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

swapaxes
ndarray有方法叫做swapaxes, 这个方法取两个axis值，并交换这两个轴：

[In]:arr.swapaxes(1, 2)   # 直交换第二个轴和最后一个轴
[Out]:array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

       [[ 8, 12],
        [ 9, 13],
        [10, 14],
        [11, 15]]])

常用函数

取整、取小数

函数	说明
np.around()	四舍五入，可以指定精度
np.round()	同上
np.rint()	将x中各元素四舍五入取整
np.ceil()	将x中各元素向上取整
np.floor()	将x中各元素向下取整
np.modf()	返回两个ndarray，分别为x的小数部分和x的整数部分
np.trunc()	返回整数部分
np.fix()	返回整数部分

数组合并

np.concatenate

np.concatenate([a,b],axis=0)

第一个参数是要合并的数组，用中括号包括在一起
第二个参数是轴，指按照哪个方向进行合并

np.vstack()、np.hstack()
语法：

np.vstack((arr1, arr2))

np.vstack()纵向合并（样本合并）
np.hstack()横向合并（变量合并）

axis

numpy中很多函数都会有axis这个参数，axis=i可以理解为第i个变化的下标的方向。例如：二维数组，axis=1即表示列变化的方向，所以是对一整行做操作

nparray和list转换

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