Numpy 入门

NumPy 入门

1. n 维数组对象 ndarray 入门

存在的意义：

• 数组对象可以去除元素间运算所需的循环，使一维向量更像单个数据
• 数组对象采用相同的数据类型，有助于节省运算和存储空间（底层采用 C 语言）

构成：

• 实际存储的数据
• 描述这些数据的元数据（维度、数据类型）
• 所有元素类型相同，数组下标从 0 开始

操作：
生成数组 np.array()

import numpy as np

def npSum():
    a = np.array([1, 2, 3, 4])
    b = np.array([5, 6, 7, 8])
    c = a ** 2 + b ** 3
    
    return c

res = npSum()
res

array([126, 220, 352, 528], dtype=int32)

属性：

.axis: 保存数据的维度
.ndim(rank): 轴的数量
.shape: 对象尺寸，对于矩阵，n 行 m 列
.size: 对象元素的个数，相当于 n * m
.dtype: 元素类型
.itemsize: 每个元素的大小，以字节为单位

元素类型：

2. ndarray 数组创建：

• 从 Python 列表或元组创建：x = np.array(list/tuple, dtype=np.float32)
• 使用函数创建：
  
  
  

维度变换：

数据类型变换：

.astype(new_type) : 一定会创建一个新的拷贝数组，即使两个数据类型一致
.tolist() : 转换为 python 列表

对数组的操作：

• 一维数组的索引，和 Python 中类似 a[id]
• 一维数组的切片，和 Python 中类似 a[st: en: step]
• 多维数组索引，a[ax1, ax2, ax3]
• 多维数组的切片，a[st1: en1, st2: en2, st3: en3]

数组运算：

• 与标量运算：数组中的每一个元素都与该标量运算
• 一元函数：元素级运算，一般原数组都不改变
  
  
• 二元函数
  

3. Numpy 数据存取与函数

CSV 文件存取：只能存取一维和二维数组

• 写： 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: 写入文件的数组
  • fmt: 写入文件的格式、如：%d %.2f %.18e
  • delimiter: 分割字符串，默认是任何空格
• 读： np.loadtxt(frame, dtype=np.float, delimiter=None, unpack=False)
  • unpack: 如果为 True，读入属性将分别写入不同变量

多维数据存取：

任意格式：维度等信息丢失

• 写：a.tofile(frame, sep=‘’, format=‘%s’)
  • sep: 数据分割字符串，如果是空串，写入文件为二进制
  • 写入文件后，数组的维度信息丢失
• 读：a.fromfile(frame, dtype=np.float, count=-1, sep=‘’)
  • count: 读入文件个数，-1 表示整个文件
  • 读出后的数组为一维数组，需要手动改变维度

Numpy 自定义的文件格式：保留维度等信息：数据用二进制存储，文件起始内容显示保存数组的其他信息

• 写：np.save(fname, array) 或 np.savez(fname, array)
  参数：文件名称和数组名称
• save 文件名为 .npy，savez 文件名为 .npz
  读：np.load(fname)

4. Numpy 随机数函数

import numpy.random.*

产生随机数：

• rand(d0, d1, …, dn): 根据 d0-dn 创建随机数数组，浮点数，[0, 1)，均匀分布
• randn(d0, d1, …, dn): 标准正态分布
• randint(low, [high, shape]): 创建随机整数或整数数组，范围是 [low, high)，默认符合均匀分布
• seed(s)：随机数种子

随机排列：

• shuffle(a): 根据数组 a 的第一轴进行随机排列，改变数组 a
• permutation(a): 根据数组 a 的第一轴产生一个新的乱序数组，不改变数组 a
• choice(a[, size, replave, 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

分布函数：

• uniform(low, high, size) 均匀分布
• normal(loc, scale, size) 正态分布，loc 均值，scale 标准差
• poisson(lam, size) 泊松分布，lam 随机事件发生率

Numpy 统计函数

a = np.arange(15).reshape(3, 5)
np.sum(a)

[0,1,2,3,4]
[5,6,7,8,9]
[10,11,12,13,14]
105

np.sum(a, axis=1) # 第一维度指 3，第二维度指 5
array([10, 35, 60])

np.mean(a)
7.0

np.mean(a, axis=0)
array([5., 6., 7., 8., 9.])

np.average(a, axis=0, weights=[10, 5, 1])
array([2.1875, 3.1875, 4.1875, 5.1875, 6.1875])

b = np.arange(15, 0, -1).reshape(3, 5)
np.max(b)
15

np.argmax(b) # 一维下标
0

np.unravel_index(np.argmax(b), b.shape) # 多维下标
(0, 0)

np.ptp(b)
14

np.median(b)
8.0

Numpy 梯度函数

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

• 梯度：连续值之间的变化率，即斜率
• 如 XY 坐标轴三个连续 X 坐标对应的 Y 轴值：a, b, c，其中，b 的 梯度是：(c-a)/2

a = np.random.randint(0, 20, (5))
a
array([14, 16,  0,  1,  6])


np.gradient(a) 
# 边界值和中间值计算方法不同
# 2 == 16 - 14
# -7 == (0 - 14) / 2
# -7.5 == (1 - 16) / 2
# 3 == (6 - 0) / 2
# 5 == 6 - 1
array([ 2. , -7. , -7.5,  3. ,  5. ])


c = np.random.randint(0, 50, (3, 5))
c
array([[11, 34, 27, 47, 48],
       [45, 17, 44, 37,  3],
       [47, 39, 19, 34, 31]])


np.gradient(c)
# 返回两个方向的梯度值
# 34 == 45 - 11  18 == (47 - 11) / 2 最外层维度的梯度值
# 23 == 34 - 11  8 == (27 - 11) / 2 第二层维度的梯度值
[array([[ 34. , -17. ,  17. , -10. , -45. ],
        [ 18. ,   2.5,  -4. ,  -6.5,  -8.5],
        [  2. ,  22. , -25. ,  -3. ,  28. ]]),
 array([[ 23. ,   8. ,   6.5,  10.5,   1. ],
        [-28. ,  -0.5,  10. , -20.5, -34. ],
        [ -8. , -14. ,  -2.5,   6. ,  -3. ]])]