Python--Numpy基础

Numpy是Python的一个能快速处理矩阵运算的数学库，如果你从事的是数据科学，或者机器学习领域的话，Numpy是一项最基本的技能。他不仅简化了我们在处理矩阵运算时需要编写的代码，而且，许多Numpy的底层函数用C编写，我们能获得在用普通Python自带的列表结构时，所无法达到的运算速度。

下面，我将就Numpy的一些基本用法，做个简单的介绍，当然，一来Numpy库本身会不断更新，二来，我本人的认知也会随时间改变，所以，这部分内容也会随时更新。当然一些我认为不太常用的方法、结构，不会出现在本文中，使得本文尽量简洁明了。

因为Numpy并不是Python本身自带的库，所以，使用之前，当然需要先安装，具体的方法，百度一下会有很多，我在此就略了。所以，我默认所有对这部分内容感兴趣的人都已经安装好了Numpy，并且有一定的Python语言基础。需要注意的是，为了使得文中的代码尽量简洁，所有出现的代码都默认已经引入了Numpy库，并简写为np。也就是说，所有代码都默认在它们之前导入了numpy库：import numpy as np

创建数组

1. np.array() 函数创建数组

Numpy为我们提供的创建数组的方法可以说非常丰富，针对某些特殊类型的数组还有专门的函数，但是基本上讲，有以下三种：

(1) Numpy中的数组类型——ndarray

a = np.array([1, 2, 3]) # >>> [1 2 3]
b = np.array((1, 2, 3.5)) # >>> [1. 2. 3.5]
print(type(a), type(b)) # >>> <class 'numpy.ndarray'> <class 'numpy.ndarray'>

我们将一个序列传递给np.array() 函数（其实，这个序列不一定是列表，元组，甚至字符串都可以），会生成一个新的 ndarray 型的对象，这就是Numpy中的数组了，从形式上中也可以看出，这种对象不同于列表，中间是没有 “,” 分隔的。

我们发现，当传入的序列中的元素是不同类型时，生成ndarray对象后，元素的类型会受到影响，比如，上面的例子中，当整型和浮点型都存在时，生成的对象中原本是整型的元素也变成了一种特殊的浮点型（这种类型时ndarray对象所特有的），考虑到一般只是进行数学意义上的运算，所以尽量避免在传入的序列中加入字符串这种操作，以免类型错乱，造成不必要的麻烦。

当然，np.array()函数也适用于生成多维数组。

m = np.array([[1, 2], [3, 4]]) # >>> [[1 2]
                                      [3 4]]

需要注意的是，想要用序列生成数组，传入函数的一定是一个完整的序列，而不能只是元素的排布

a = np.array(1, 2, 3) # >>> 错误！
a = np.array([1, 2, 3]) # >>> 正确！

其实，在实际应用中，一般我们就把Numpy中的多维数组当做矩阵，来执行相关运算。所以，正确地创立数组，是开始所有代数运算的先决条件。

(2) ndarray型对象的属性

此外，和其他数据类型一样，我们可以查看”ndarray”型对象的相关属性：

• ndarray.dtype：数据类型

a = np.array([1.5, 2, 3], dtype=int) #设置数组中元素的数据类型为整型
print(a) # >>> [1 2 3]

b = np.array([[1, 2.3], [4.1, 5.0]])
print(b.dtype) # >>> float64，访问数组b的数据类型

• ndarray.shape：数组大小

a = np.array([1, 2, 3])
b = np.array([[1], [2], [3]])
print(a.shape) # >>> (3,)
print(b.shape) # >>> (3, 1) # shape实际上是一个元组

也可以通过设置shape来改变数组的形状：

a = np.array([1, 2, 3, 4], [4, 2, 3, 1], [3, 4, 2, 1]) # 现在，a是3 x 4的矩阵
a.shape = 4, 3 # a的形状被改变
print(a) # >>> [[1 2 3]
                [4 4 2]
                [3 1 3]
                [4 2 1]]

• ndarray.ndim：数组的维度

a = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]], [[9, 10], [11, 12]]])
b = np.array([[1], [2], [3]])
print(a.ndim) # >>> 3
print(b.ndim) # >>> 2

• ndarray.size：数组中元素的总个数

a = np.array([1, 2, 3])
b = np.array([[1], [2], [3]])
print(a.size) # >>> 3
print(b.size) # >>> 3

当然，ndarray对象还有很多其他属性，这些属性有助于我们更好地控制数组对象，基本使用方法与上面类似，不再赘述。

2. 创建数组过程中常用的其他函数

需要注意的一点是：上面的例子都是先创建一个Python序列，然后通过array()函数将其转换为数组，这样做显然效率不高。因此NumPy提供了很多专门用来创建数组的函数。以方便用户在已知数组是具备的某种特殊性质下，快速创建数组。

（1）np.arange()依据范围特征创建数组

之前，我们知道Python基本语法里的 range() 函数可以根据数值范围生成列表，同样的，我们在Numpy中通过 arange() 函数，按照一定规律生成数组。

a = np.arange(5) # >>> [0 1 2 3 4]
b = np.arange(1, 7, 2) # >>> [1 3 5]

语法上讲，和 range() 函数是一致的，都是由三个参数 `(start, stop, step)组成

（2）np.linspace()

作用与arange()类似，三个必要的参数:”start, stop, num”，不过默认状态下包含终值。

a = np.arange(1, 7, 3) # >>> [1.  4.  7.]

（3）np.logspace()

函数和linspace类似，不过它创建等比数列，参数设置为：(start, stop, num=50, endpoint=True, base=10.0, dtype=None)，一般我们只设置”start, stop, num”3个参数，表示等比数列的起始点是