原文链接：https://wklchris.github.io/Py3-numpy.html
本文介绍如何使用 numpy，一个强大的 Python 科学计算库。
对于 Windows 系统的用户，推荐到加州大学尔湾分校的 Python whl 库下载站 这里下载与 Intel mkl 链接好的 numpy 版本；注意选择与用户计算机的 python & 操作系统相适应的 numpy 版本。链接了 mkl 与未链接 mkl 的 numpy 在性能上会有显著差异，你可以前往上述网址安装链接了 mkl 库的 numpy。请在安装其他依赖于 numpy 的包或库前，先安装好 numpy。
全文默认加载的 numpy 包：
import numpy as np
本文最后运行时的 numpy 版本：
print(np.__version__)
1.11.2
数组创建
numpy 最基础的操作就是创建数组。数组可以是高维（多于二维）的；在本文中，把二维的数组也叫做矩阵。
用 np.array() 创建数组：
dt1 = [1, 2, 3, 4, 5, 6]
arr1 = np.array(dt1)
print(arr1) # 一行六列的数组
[1 2 3 4 5 6]
dt2 = [[1, 2, 3], [4, 5, 6]]
arr2 = np.array(dt2)
print(arr2) # 自动识别为两行三列
[[1 2 3]
[4 5 6]]
用 arr.shape/ndim/size 来返回数组的尺寸：
print(arr2.shape, '\n', # 返回结果是一个元组(tuple)
arr2.ndim, '\n', # 返回结果是数组的维度（即“轴”的数量，这里只有行和列）
arr2.size) # 返回结果是数组的总元素个数
(2, 3)
2
6
特殊矩阵
预分配矩阵：np.empty() / empty_like()
预分配矩阵只是初始化了矩阵尺寸，但是不保证元素值为0。如果想要生成全零阵，使用 np.zeros()。
np.empty([2, 3])
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
np.empty_like(arr2) # 生成一个与 arr2 同尺寸的预分配矩阵
array([[0, 0, 0],
[0, 0, 0]])
全0 / 全1 / 填充矩阵：np.zeros() / ones() / full()
全 0 与全 1 矩阵很简单：
np.ones([1, 4])
array([[ 1., 1., 1., 1.]])
填充矩阵用指定的数值填充所有的元素：
np.full([2, 3], 1.2)
array([[ 1.2, 1.2, 1.2],
[ 1.2, 1.2, 1.2]])
以上矩阵也有 like() 形式的命令。
np.zeros_like(arr2)
array([[0, 0, 0],
[0, 0, 0]])
单位阵：np.identity() / eye()
严格的单位阵使用 np.identity() 命令产生：
np.identity(3) # 严格正方形单位阵
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
如果是非严格的单位阵，使用 np.eye() 产生：
np.eye(2, 3) # 不严格的、对角线为 1 的矩阵
array([[ 1., 0., 0.],
[ 0., 1., 0.]])
也可以用参数 k 指定相对主对角线的偏移量。偏移方向以向右上为正，左下为负：
np.eye(3, 3, k=1)
array([[ 0., 1., 0.],
[ 0., 0., 1.],
[ 0., 0., 0.]])
对角阵：np.diagflat()
同样使用参数 k 指定偏移量。
np.diagflat([1, 2, 3], k=1)
array([[0, 1, 0, 0],
[0, 0, 2, 0],
[0, 0, 0, 3],
[0, 0, 0, 0]])
下三角阵：np.tri()
下三角全为 1（包括对角线），其余为 0. 可以指定偏移量：
np.tri(3, 4, k=1)
array([[ 1., 1., 0., 0.],
[ 1., 1., 1., 0.],
[ 1., 1., 1., 1.]])
要截取某个已知矩阵的上三角或者下三角，参考下文的内容。
范德蒙矩阵：np.vander()
范德蒙矩阵（Vandermonde matrix）的定义：
V=⎛⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜⎝1a1a21…am−111a2a22…am−121a3a23…am−13⋮⋮⋮⋱⋮1ana2n…am−1n⎞⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟⎠V=(1a1a12…a1m−11a2a22…a2m−11a3a32…a3m−1⋮⋮⋮⋱⋮1anan2…anm−1)
可以用参数 N 指定列数。
np.vander([1, 2, 3], N=4)
array([[ 1, 1, 1, 1],
[ 8, 4, 2, 1],
[27, 9, 3, 1]])
特殊数列
numpy 里有一系列可以快速生成数列的命令。
等差数列：np.arange()
生成的数列区间，默认是左闭右开 [start, stop)。
np.arange(start=1, stop=7, step=2)
array([1, 3, 5])
线性 / 对数空间：np.linspace() / logspace()
线性空间也是等差的；相比 arange() 命令只能指定步长，线性空间可以指定数组尺寸：
np.linspace(1, 2, num=5)
array([ 1. , 1.25, 1.5 , 1.75, 2. ])
也可以利用 endpoint 参数，产生类似 arange() 函数的效果：
np.linspace(1, 2, 5, endpoint=False)
array([ 1. , 1.2, 1.4, 1.6, 1.8])
logspace() 是以从 10start10start 到 10end10end 的对数空间：
np.logspace(1, 2, num=4)
array([ 10. , 21.5443469 , 46.41588834, 100. ])
从已有数据转换 / 复制
深度复制：np.copy()
arr3 = np.copy(arr2)
arr3 is arr2
False
arr3 = arr2.copy()
arr3 is arr2
False
类型转换：np.asarray() / asmatrix()
注意：这类函数不会生成一个复制；它们只生成一个同址引用：
tmp = np.asarray(arr2)
arr2[0, 0] = 100
tmp
array([[100, 2, 3],
[ 4, 5, 6]])
tmp is arr2
True
np.asmatrix() 函数非常灵活：
np.asmatrix("1, 2; 3, 4")
matrix([[1, 2],
[3, 4]])
尺寸重塑：arr.reshape() / resize() / flatten() / ravel()
reshape() 生成一个重塑后的矩阵，但不改动原矩阵；resize() 则直接将原矩阵重塑。
arr2.reshape(3, 2)
array([[100, 2],
[ 3, 4],
[ 5, 6]])
arr2.resize(3, 2)
arr2
array([[100, 2],
[ 3, 4],
[ 5, 6]])
arr.flatten() 直接将矩阵转为一个向量。参数 order 指定了转换方式（此处只介绍两个参数）：
‘C’：默认。按行读取，行内从左到右。C-style.
‘F’：按列读取，列内从上到下。Fortran-style.
arr2.flatten('F')
array([100, 3, 5, 2, 4, 6])
np.ravel() 的作用是一样的，不过会优先返回原值的引用（如果可能）。此外，ravel() 能够应用于非 ndarray 对象（比如一系列 ndarray 组成的列表），而 flatten() 不能。
转置：arr.T / arr.transpose()
对于二维数组而言，它们没有区别：
arr2.T
array([[100, 3, 5],
[ 2, 4, 6]])
从已有数据截取 / 拼接
切片
arr = np.linspace(1, 9, 9).reshape(3, 3)
arr[:, :2]
array([[ 1., 2.],
[ 4., 5.],
[ 7., 8.]])
# 第三行
arr[2]
array([ 7., 8., 9.])
截取矩阵对角线：np.diag()
np.diag(arr)
array([ 1., 5., 9.])
截取矩阵上 / 下三角：np.triu() / np.tril()
np.triu() 函数用于截取矩阵的上三角（Upper Triangle）部分：
np.triu(arr)
array([[ 1., 2., 3.],
[ 0., 5., 6.],
[ 0., 0., 9.]])
可以设置偏移参数 k ：
np.tril(arr, k=1)
array([[ 1., 2., 0.],
[ 4., 5., 6.],
[ 7., 8., 9.]])
拼接矩阵：np.vstack() / hstack()
竖向与横向两个方向：
a = np.arange(1, 5).reshape(2, 2)
b = np.arange(5, 9).reshape(2, 2)
np.vstack((a, b)) # 也可以写 np.vstack([a, b])
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
np.hstack([a, b])
array([[1, 2, 5, 6],
[3, 4, 7, 8]])
拼接网格阵：np.meshgrid()
由两个列向量组成的二维坐标阵，常常用于绘图命令。
参数 sparse 为 True 表示尽可能地节省内存。
from matplotlib import pyplot as plt
x = np.arange(-5, 5, 0.1)
y = np.arange(-5, 5, 0.1)
xx, yy = np.meshgrid(x, y, sparse=True)
z = np.sin(xx**2 + yy**2) / (xx**2 + yy**2)
plt.contourf(x,y,z)
plt.show()
矩阵操作
矩阵基础运算
a = np.linspace(1, 6, 6).reshape(2, 3)
b = np.linspace(2, 7, 6).reshape(3, 2)
np.dot(a, b) # 或者用 a.dot(b) 也可以
array([[ 28., 34.],
[ 64., 79.]])
a + b.T
array([[ 3., 6., 9.],
[ 7., 10., 13.]])
元素级运算
一元函数
直接从元素操作中移植的函数，比如幂指函数等等。一元函数调用形式是 np.function(arr) 简表如下：
| 一元函数 | 含义 |
|---|---|
| abs/fabs | 求模。对于非复数矩阵，fabs更快。 |
| sqrt/square | 平方根/平方 |
| exp | 指数 |
| log/log10/log2/log1p | 对数：自然对数/10/2为底，以及以2为底的log(1+x) |
| sign | 正负号判断函数：返回 1, 0, 或者 -1 |
| ceil/floor | 向上取整/向下取整 |
| rint | 四舍五入到整数 |
| isnan | 返回关于非数值（np.nan）判断的布尔型数组 |
| isfinite/isinf | 判断非无限大值/无限大值 |
| sin/cos/tan | 三角函数 |
| arcsin/arccos/arctan | 反三角函数 |
| sinh/cosh/tanh/arcsinh/arccosh/arctanh | 以上三角函数的双曲形式 |
二元函数
以及矩阵的二元函数，调用形式是 np.function(x, y)：
| 二元函数 | 含义 |
|---|---|
| add/substract/multiply | 对应元素相加/相减/相乘 |
| divide/floor_divide | 对应元素除法及向下整除法（弃余数） |
| power | 计算 x(i,j)^y(i,j) |
| maximum/fmax | 元素级的最大值。fmax 表示忽略 NaN |
| 注：在比较含有 NaN 的矩阵时可能出现问题，我尚不清楚 NumPy 做出了怎样的改变。 | |
| minimum/fmin | 仿上 |
| mod | 取余 |
| copysign | 将y的符号传递给x中的对应元素 |
统计函数
一些与统计相关的函数，或者简单分析矩阵数据特征的函数：
| 统计函数 | 含义 |
|---|---|
| average/mean | 平均值。其中 average 还可以用 weight 参数指定权重 |
| median | 中位数 |
| diff | 一阶差分 |
| cumsum/cumprod | 累和／累积 |
| sum/prod | 求和 / 求积 |
| std/var | 标准差 / 方差 |
一些例子：
np.abs(np.array([3 + 4j, -3])) # 求模
array([ 5., 3.])
np.average(np.arange(6).reshape((3,2)), axis=1, weights=[1./4, 3./4]) # 加权平均值
array([ 0.75, 2.75, 4.75])
arr2 = np.array([7, 6])
arr3 = np.array([1, np.inf])
np.fmax(arr2, arr3) # 求最大值
array([ 7., inf])
线性代数
在 np.linalg 中有许多线性代数的函数。
逆矩阵：np.linalg.inv()
arr = np.array([[1, 2], [4, 3]])
np.linalg.inv(arr)
array([[-0.6, 0.4],
[ 0.8, -0.2]])
迹：np.trace()
np.trace(arr) # 矩阵的迹（主对角线元素之和）
4
线性方程组：np.linalg.solve() / lstsq()
前者是精确解，后者是最小二乘法的解。
Y = np.array([5, 10]).reshape(2, 1)
np.linalg.solve(arr, Y) # 解线性方程组 arr * X = Y
array([[ 1.],
[ 2.]])
np.linalg.lstsq(arr, Y)
(array([[ 1.],
[ 2.]]),
array([], dtype=float64),
2,
array([ 5.39834564, 0.92620968]))
QR 分解：np.linalg.qr()
返回值是元组。
np.linalg.qr(Y)
(array([[-0.4472136 ],
[-0.89442719]]), array([[-11.18033989]]))
其他矩阵函数
一些矩阵函数并不是为矩阵运算准备的，可能只是为了筛选数据的需要，或者是一些其他的原因。
条件逻辑：np.where()
np.where(condition_arr, xarr, yarr) 表示：如果condition_arr 对应值为真，那么从 xarr 取值；否则从 yarr 取值。
xarr = np.array([[1, 2, 3],[-1, -2, 0], [4, 5, 6]])
np.where(xarr >= 0, xarr, np.nan) # 把小于零的全部替换为 NaN
array([[ 1., 2., 3.],
[ nan, nan, 0.],
[ 4., 5., 6.]])
布尔矩阵：arr.any() / all()
boolarr = np.array([False, True, False])
print(boolarr.any(), # 是否存在 True
boolarr.all()) # 是否全是 True
True False
唯一化：np.unique()
所有相同元素只保留一个，并排序，实质上返回了一个有序集合。
xarr = np.array([[1, 2, 2, 5], [3, -1, 4, 4]])
yarr = np.array([[-1, 2, 2, 6], [-2, -1, 1, 3]])
np.unique(xarr)
array([-1, 1, 2, 3, 4, 5])
集合运算
将矩阵的同元素视作一个，进行类似集合的运算。
np.intersect1d(xarr, yarr), # 交集
(array([-1, 1, 2, 3]),)
np.union1d(xarr, yarr), # 并集
(array([-2, -1, 1, 2, 3, 4, 5, 6]),)
np.in1d(xarr, yarr), # xarr 中的对应元素是否在 yarr 中
(array([ True, True, True, False, True, True, False, False], dtype=bool),)
np.setdiff1d(xarr, yarr), # 在 xarr 中但不在 yarr 中的元素
(array([4, 5]),)
np.setxor1d(xarr, yarr) # 仅存在于 xarr / yarr 之一的元素
array([-2, 4, 5, 6])
保存与读取
# 保存
# np.save(filename_string, arr) # 把单个数组保存到 filename_string.npy 中
# np.savez(zipname_string, a=arr1, b=arr2, ...) # 把多个数组压缩保存到 zipname_string.npz 中
# 读取
# arr = np.load('filename_string.npy') # 直接获取单个数组
# arrzip = np.load('zipname_string.npz') # 将压缩包读取到字典 arrzip 中
# arr1 = arrzip['a']
# 保存 / 读取 txt
# arr = np.loadtxt('txtname.txt', delimeter=',') # 保存 txt 用 savetxt
135
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
