NumPy库的基础使用方法

最新推荐文章于 2024-07-14 19:14:59 发布

cxcxrs-辰星程序人生

最新推荐文章于 2024-07-14 19:14:59 发布

阅读量392

点赞数 2

分类专栏： Python 文章标签： numpy numpy基础使用方法 python NumPy NumPy库

原文链接：https://www.icourse163.org/learn/BIT-1001870002#/learn/content?type=detail&id=1212743007&cid=1216152008

版权

Python 专栏收录该内容

8 篇文章 6 订阅

订阅专栏

转载于：https://www.icourse163.org/learn/BIT-1001870002#/learn/content?type=detail&id=1212743007&cid=1216152008

【第一周】数据分析之表示

单元1： NumPy库入门

一、 ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量（例如：二维数组, 维数为二，秩为二。有行和列两个轴，轴数为二)
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

import numpy as np
In [1]: a = np.array([[0,1,2,3],
     ...:             [4,5,6,7]])
In [2]: a.ndim
Out[2]: 2
In [3]: a.shape
Out[3]: (2, 4)
In [4]: a.size
Out[4]: 8
In [5]: a.dtype
Out[5]: dtype('int32')
In [6]: a.itemsize
Out[6]: 4

二、ndarray数组创建和变换

1. ndarray数组创建方法

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n‐1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	根据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线为1，其余为0

函数	说明
np.ones_like(a)	根据数组a的形状生成一个全1数组
np.zeros_like(a)	根据数组a的形状生成一个全0数组
np.full_like(a,val)	根据数组a的形状生成一个数组，每个元素值都是val

函数	说明
np.linspace()	根据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

import numpy as np
np.arange(10)
np.ones((3,4,5))
np.zeros((3,6), dtype=np.int32)
np.full((3,4,5),666)
np.eye(5)

In [1]: a = np.linspace(1, 10, 4)
In [2]: a
Out[2]: array([ 1.,  4.,  7., 10.])
In [3]: b = np.linspace(1, 10, 4, endpoint=False) 
In [4]: b
Out[4]: array([1.  , 3.25, 5.5 , 7.75])
In [5]: np.concatenate((a,b))
Out[5]: array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

2. ndarray数组的维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

In [1]: a = np.arange(9)
In [2]: a
Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])
In [3]: a.reshape(3,3)		# 注意：改变数组形状后，数组内元素个数要和原来个数一样。即3*3=9(个)
Out[3]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [4]: a.resize(3,3)
In [5]: a.swapaxes(0,1)		# 行列值交换
Out[5]: 
array([[0, 3, 6],
       [1, 4, 7],
       [2, 5, 8]])

In [6]: a.flatten()
Out[6]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])

3. ndarray数组的类型变换

eg：new_a = a.astype(new_type)
.astype(np.float / np.int / …)

In [457]: a
Out[457]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [458]: a.astype(np.float)
Out[458]: 
array([[0., 1., 2.],
       [3., 4., 5.],
       [6., 7., 8.]])

4. ndarray数组向列表的转换

ls = a.tolist()

In [459]: a
Out[459]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [460]: a.tolist()
Out[460]: [[0, 1, 2], [3, 4, 5], [6, 7, 8]]

三、数组的索引和切片

eg: a[1:3, 1:4:2, :]
注：逗号分隔每个维度，冒号对某一个维度切片(起始：结束：步长)。

In [418]: a
Out[418]: 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

In [419]: a[0:2, :]			# a[最外层维度取前两个一维数组，第二层维度每个数组取所有数字]
Out[419]: 
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

In [420]: a[0:2, 0:4:2]			# a[最外层维度取前两个一维数组，第二层维度每个数组取第1和第3个数字]
Out[420]: 
array([[0, 2],
       [5, 7]])

四、数组的运算

1. NumPy一元函数

函数	说明
np.abs(x)	np.fabs(x) 计算数组各元素的绝对值
np.sqrt(x)	计算数组各元素的平方根
np.square(x)	计算数组各元素的平方
np.log(x) np.log10(x) np.log2(x)	计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x) np.floor(x)	计算数组各元素的ceiling值或 floor值(向上取整或向下取整)
np.rint(x)	计算数组各元素的四舍五入值（浮点数，按个位四舍五入）
np.modf(x)	将数组各元素的小数和整数部分以两个独立数组形式返回
np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x)	计算数组各元素的普通型和双曲型三角函数
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+), 0, ‐1(‐)

2. NumPy二元函数

函数	说明
+ ‐ * / ** //	两个数组各元素进行对应运算
np.maximum(x,y) np.fmax() np.minimum(x,y) np.fmin()	元素级的最大值/最小值计算
np.mod(x,y)	元素级的模运算
np.copysign(x,y)	将数组y中各元素值的符号赋值给数组x对应元素
< > >= <= == !=	算术比较，产生布尔型数组

单元2：NumPy数据存取与函数

一、数据的CSV文件存取

np.savetxt(frame, array, fmt=’%.18e’, delimiter=None)

frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
array : 存入文件的数组
fmt : 写入文件的格式，例如：%d %.2f %.18e
delimiter : 分割字符串，默认是任何空格

np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)

frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
dtype : 数据类型，可选
delimiter : 分割字符串，默认是任何空格
unpack : 如果True，读入属性将分别写入不同变量

In [461]: a = np.arange(9).reshape(3,3)
In [462]: np.savetxt("a.csv", a, fmt="%d", delimiter=",")
In [463]: np.loadtxt("a.csv", delimiter=",")
Out[463]: 
array([[0., 1., 2.],
       [3., 4., 5.],
       [6., 7., 8.]])

CSV文件的局限性

np.savetxt()、np.loadtxt()只能有效存取一维和二维数组

二、多维数据的存取

a.tofile(frame, sep=’’, format=’%s’)

frame : 文件、字符串
sep : 数据分割字符串，如果是空串，写入文件为二进制
format : 写入数据的格式

np.fromfile(frame, dtype=float, count=‐1, sep=’’)

frame : 文件、字符串
dtype : 读取的数据类型
count : 读入元素个数，‐1表示读入整个文件
sep : 数据分割字符串，如果是空串，写入文件为二进制
注意：a.tofile()和np.fromfile()配合使用，读取时需要知道存入文件的数组的维度和元素类型。

In [465]: a = np.arange(9).reshape(3,3)
In [466]: a.tofile("a.dat", format="%d")
In [467]: np.fromfile("a.dat", dtype=np.int).reshape(3,3)
Out[467]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

NumPy的便捷文件存取

np.save(fname, array) 或 np.savez(fname, array)

fname : 文件名，以.npy为扩展名，压缩扩展名为.npz
array : 数组变量

np.load(fname)

fname : 文件名，以.npy为扩展名，压缩扩展名为.npz

三、Numpy的随机数函数

1. np.random. *

函数	说明
rand(d0,d1,…,dn)	根据d0‐dn创建随机数数组，浮点数，[0,1)，均匀分布 (d0‐dn：即数组的形状)
randn(d0,d1,…,dn)	根据d0‐dn创建随机数数组，标准正态分布 (d0‐dn：即数组的形状)
randint(low[,high,shape])	根据shape创建随机整数或整数数组，范围是[low, high)
seed(s)	随机数种子，s是给定的种子值。写在创建随机数组的语句之前。想再次调用该数组时，前面加上np.random.seed(s)
shuffle(a)	根据数组a的第1轴进行随排列，改变数组x (第1轴：第一列)
permutation(a)	根据数组a的第1轴产生一个新的乱序数组，不改变数组x (第1轴：第一列)
choice(a[,size,replace,p])	从一维数组a中以概率p抽取元素，形成size形状新数组 replace表示是否可以重用元素，默认为True
uniform(low,high,size)	产生具有均匀分布的数组,low起始值,high结束值,size形状
normal(loc,scale,size)	产生具有正态分布的数组,loc均值,scale标准差,size形状
poisson(lam,size)	产生具有泊松分布的数组,lam随机事件发生率,size形状

四、Numpy的统计函数

1. np. *

函数	说明
sum(a, axis=None)	根据给定轴axis计算数组a相关元素之和，axis为整数(轴序号)或元组。 axis默认为None，按该数组所有维度进行计算。 eg：三维数组的三条轴(0,1,2)，即(列，宽，高) sum(0) 按列求和、sum(1) 按行求和、sum(2) 按高求和、 sum(a) 或 sum(a, (0,1,2)) 对所有元素求和
mean(a, axis=None)	根据给定轴axis计算数组a相关元素的期望，axis整数或元组
average(a,axis=None,weights=None)	根据给定轴axis计算数组a相关元素的加权平均值
std(a, axis=None)	根据给定轴axis计算数组a相关元素的标准差
var(a, axis=None)	根据给定轴axis计算数组a相关元素的方差
min(a) max(a)	计算数组a中元素的最小值、最大值
argmin(a) argmax(a)	计算数组a中元素最小值、最大值的一维后下标 (即变成一维数组后的下标)
unravel_index(index, shape)	根据shape将一维下标index转换成多维下标
ptp(a)	计算数组a中元素最大值与最小值的差
median(a)	计算数组a中元素的中位数（中值）

五、Numpy的梯度函数

1. 梯度：连续值之间的变化率，即斜率

XY坐标轴连续三个X坐标对应的Y轴值：a, b, c，
其中，b的梯度是： (c‐a)/2，a的梯度是：(b-a)/1，c的梯度是：(c-b)/1

2. np.gradient(f)函数

函数	说明
np.gradient(f)	计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

In[414]: a
Out[414]: 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

In[415]: np.gradient(a)
Out[415]: 
[array([[5., 5., 5., 5., 5.],   # 最外层维度的梯度 (即按列求梯度)
        [5., 5., 5., 5., 5.],
        [5., 5., 5., 5., 5.]]), 
 array([[1., 1., 1., 1., 1.],	# 第二层维度的梯度 (即按行求梯度)
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])]

单元3：实例1：图像的手绘效果

一、图像的手绘效果实例代码

from PIL import Image
import numpy as np
 
a = np.asarray(Image.open("沁沁.jpg").convert('L')).astype('float')
 
depth = 10.                      # (0-100)
grad = np.gradient(a)             #取图像灰度的梯度值
grad_x, grad_y = grad               #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
 
vec_el = np.pi/2.2                   # 光源的俯视角度，弧度值
vec_az = np.pi/4.                    # 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az)   #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az)   #光源对y 轴的影响
dz = np.sin(vec_el)              #光源对z 轴的影响
 
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)     #光源归一化
b = b.clip(0,255)
 
im = Image.fromarray(b.astype('uint8'))  #重构图像
im.save("pretty_girl.jpg")

后记

本篇博文转载于北理嵩天老师，
在中国大学MOOC开设的课程《Python数据分析与展示》第一周的笔记。

今天是2020年正月初一，祝大家新的一年，身体健康，学业有成，事业顺利，新年快乐 ~

cxcxrs-辰星程序人生

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
NumPy库的基础使用方法

转载于：https://www.icourse163.org/learn/BIT-1001870002#/learn/content?type=detail&id=1212743007&cid=1216152008文章目录【第一周】数据分析之表示单元1： NumPy库入门一、 ndarray对象的属性二、ndarray数组创建和变换1. ndarray数组创建方法2. nda...
复制链接

扫一扫