NumPy数组入门

NumPy数组入门

Authors

Kristina(FAQ)
GitHub

https://github.com/kristina100

前言

这个暑假即将开始MindSpore框架的学习，而深度学习中所提到的张量和numpy息息相关，这一篇小小的笔记，就当作深度学习前的预备知识之一吧~
文章有点长，读者可取自己所需部分进行阅读~

GitHub上是我的一些学习记录，欢迎踩踩~

一、Numpy数组基础

ndarray是一种多维的数组对象
shape（表示各维度大小的元组）
dtype（用于说明数组数据类型的对象）

创建ndarray 接受一切序列型的对象 arr = np.array([…])
嵌套就转化为多维数组
arr.ndim 数组维度
arr.shape 数组形状
arr.size 数组的大小

1.1 从头创建数组

import numpy as np

np.zeros(10, dtype=int)

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

np.ones((3,5),dtype=float)

array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

np.full((3,5),3.14)

array([[3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14]])

创建一个线性序列的数组
0开始 20结束 步长为2

np.arange(0,20,2)

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

创建一个5个元素的数组，这5个数均匀分布到0~1

np.linspace(0,1,5)

array([0.  , 0.25, 0.5 , 0.75, 1.  ])

创建一个(3,3)，在0-1之间均匀分布的随机数组

np.random.random((3,3))

array([[0.99343462, 0.47173144, 0.38334297],       [0.38642939, 0.50745929, 0.00122697],       [0.2524901 , 0.42000919, 0.11096582]])

创建一个(3,3)，均值为0的标准差为1的正态分布的随机数组

np.random.normal(0,1,(3,3))

array([[ 1.1119363 ,  0.12037831, -0.09112545],       [ 0.0207521 , -2.74302458,  0.79069395],       [-1.46528679, -1.02243523, -0.37781983]])

创建一个(3,3)，[0，10) 区间的的随机整型数组

np.random.randint(0,10,(3,3))

array([[8, 1, 6],       [3, 3, 0],       [7, 6, 1]])

创建(3,3)单位矩阵

np.eye(3)

array([[1., 0., 0.],       [0., 1., 0.],       [0., 0., 1.]])

创建一个由3个整型数组组成的未初始化的数组

np.empty(3)

array([1., 1., 1.])

1.2 数组索引

numpy数组是固定的，插入浮点值到整型数组直接截断

1.3 数组切片

x[start:stop:step]

注意哦，这个不是副本，而是直接在原来的数组上修改~

# 例如逆序
x = np.arange(10)

x[::-1]

array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

多维子数组

x2 = [[12,5,2,4],[7,6,8,8],[1,6,7,7]]

x2 = np.array(x2)
x2

array([[12,  5,  2,  4],
       [ 7,  6,  8,  8],
       [ 1,  6,  7,  7]])

# 两行三列
x2[:2,:3]

array([[12,  5,  2],
       [ 7,  6,  8]])

# 所有行，每隔一列
x2[:3,::2]

array([[12,  2],
       [ 7,  8],
       [ 1,  7]])

# 子数组逆序
x2[::-1,::-1]

array([[ 7,  7,  6,  1],
       [ 8,  8,  6,  7],
       [ 4,  2,  5, 12]])

获取行和列

x2[:,0]

array([12,  7,  1])

x2[0,:]

array([12,  5,  2,  4])

x2[0]

array([12,  5,  2,  4])

创建副本
arr.copy()

#####1.4 数组变形

一般是一维数组转变为二维数组的行或列的矩阵

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

x.reshape((1,3))

array([[1, 2, 3]])

# 转变为列向量
x.reshape((3,1))

array([[1],
       [2],
       [3]])

# 利用关键字newaxis
x[np.newaxis,:]

array([[1, 2, 3]])

x[:,np.newaxis]

array([[1],
       [2],
       [3]])

1.5 数组拼接和分裂

 #  数组拼接
x = np.array([1,2,3])
y = np.array([4,4,3])
y = np.concatenate([x,y])
y

array([1, 2, 3, 4, 4, 3])

# 二维数组的拼接
gris = np.array([[1,3,4],[5,6,7]])

np.concatenate([gris,gris])

array([[1, 3, 4],
       [5, 6, 7],
       [1, 3, 4],
       [5, 6, 7]])

np.concatenate([gris,gris],axis=1)

array([[1, 3, 4, 1, 3, 4],
       [5, 6, 7, 5, 6, 7]])

np.vstack(垂直栈)
np.hstack(水平栈)

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

array([1, 2, 3])

grid = np.array([[9,8,7],[6,5,4]])

np.vstack([x,grid])

array([[1, 2, 3],
       [9, 8, 7],
       [6, 5, 4]])

y=np.array([[99],[99]])
np.hstack([grid,y])

array([[ 9,  8,  7, 99],
       [ 6,  5,  4, 99]])

数组的分裂

索引列表作为参数，索引列表记录的是分裂点位置

x= [1,2,3,99,99,3,2,1]

x1,x2,x3=np.split(x,[3,5])
x1

array([1, 2, 3])

N分裂点会得到N+1个子数组

grid = np.arange(16).reshape((4,4))

grid

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

upper,lower = np.vsplit(grid,[2])

upper

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

lower

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

left,right = np.hsplit(grid,[2])

left

array([[ 0,  1],
       [ 4,  5],
       [ 8,  9],
       [12, 13]])

right

array([[ 2,  3],
       [ 6,  7],
       [10, 11],
       [14, 15]])

二、Numpy数组的计算：通用函数

使Numpy变快的关键是利用向量化的操作

2.1 绝对值

np.absolute()==np.abs()

处理复数，绝对值返回的是该复数的模

2.2 三角函数

np.linspace(0, np.pi, 3)—>0到Π之间均匀分布，3个元素

theta = np.linspace(0, np.pi, 3)

np.sin(theta)

array([0.0000000e+00, 1.0000000e+00, 1.2246468e-16])

2.3 指数和对数

np.exp(x)
np.power(3,x)

给出的是以自然常数（e）为底数的对数，ln(x)=np.log(x)
以2为底，log2(x)=np.log2(x)

2.4 专用的通用函数

Gamma函数（广义阶乘）

from scipy import special

x=[1,5,10]

special.gamma(x)

array([1.0000e+00, 2.4000e+01, 3.6288e+05])

special.gammaln(x)

array([ 0.        ,  3.17805383, 12.80182748])

2.5 误差函数（高斯积分）

x=np.array([0,0.3,0.7,1.0])

special.erf(x)

array([0.        , 0.32862676, 0.67780119, 0.84270079])

special.erfinv(x)

array([0.        , 0.27246271, 0.73286908,        inf])

三、高级的通用函数

3.1 指定输出

大量运算的时候，有时候指定一个用于存放结果的数组
直接存入希望存入的位置

x= np.arange(5)

y=np.empty(5)

np.multiply(x,10,out=y)

array([ 0., 10., 20., 30., 40.])

y=np.zeros(10)
y

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

np.power(2,x,out=y[::2])

array([ 1.,  2.,  4.,  8., 16.])

3.2 聚合

# 对add使用reduce方法返回数组中所有元素的和
x=np.arange(1,6)

np.add.reduce(x)

15

np.multiply.reduce(x)

120

# 存储每次计算的中间结果
np.add.accumulate(x)

array([ 1,  3,  6, 10, 15], dtype=int32)

# 外积
np.multiply.outer(x,x)

array([[ 1,  2,  3,  4,  5],
       [ 2,  4,  6,  8, 10],
       [ 3,  6,  9, 12, 15],
       [ 4,  8, 12, 16, 20],
       [ 5, 10, 15, 20, 25]])

最大值最小值求和
arr.sum()
arr.min()
arr.max()
默认情况下只返回单个元素
但是可以设定参数返回每个序列
每一列最小值：
arr.min(axis=0)
每一行最小值：
arr.min(axis=1)

计算元素的乘积
np.nanprod()—nan指忽略缺失值
np.nanstd()计算标准差
np.nanvar()计算方差
np.nanargmin()找出最小值索引
np.nanmedian()计算中位数

3.3 数组的计算

广播的介绍

只有达到相同形状最终才可以进行计算
但是如果两个数组维度均不一样，且没有维度为1的，则不能进行计算

操作布尔数组

x=[[5,0,3,3],
  [7,9,3,5],
  [2,4,7,6]]

np.count_nonzero(np.less(x,6))
np.sum(np.less(x,6),axis=1)

array([4, 2, 2])

快速检查元素

np.any()
np.all()

四、花哨的索引

# 传递索引的单个列表或者数组来获得同样的结果
# 结果形状与索引数组一致

x=np.arange(12).reshape((3,4))
x

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

row = np.array([0,1,2])
row

array([0, 1, 2])

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

array([2, 1, 3])

x[row,col]

array([ 2,  5, 11])

其实这里第一个值是x[0,2],x[1,1],x[2,3]

五、NumPy排序

# 快速排序
x=np.array([2,1,4,3,5])

# 不修改原数组
np.sort(x)
x
# 修改原数组
x.sort()
x

array([1, 2, 3, 4, 5])

# 返回原数组排好序的索引值
x=np.array([2,1,4,3,5])
i=np.argsort(x)
i

array([1, 0, 3, 2, 4], dtype=int64)

沿着行或者列排序

np.sort(x,axis=0)
np.sort(x,axis=1)

部分排序，分隔

比如k个最近邻

x=np.array([7,2,3,1,6,5,4])

np.partition(x,3)

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

呼~
这是自己的第一篇博客~
谢谢您的阅读鸭~