科学计算01-NumPy

NumPy简介

声明:本文所有打印结果的顺序均是按照变量定义的顺序进行排列。
NumPy是Python中用于科学计算的基础包，也是大量Python数学和科学计算包的基础，不少数据分析与挖掘包都是在NumPy基础上开发的，如Pandas包。NumPy的核心基础是N维数组(N-dimensional array,ndarray),即由数据类型相同的元素组成的N维数组。
本文主要介绍一维数组与二维数组，包括数组的创建、运算、切片、连接、数据存取、以及线性代数运算等。
在使用该包前，首先要导入该包，一般导入该包的格式如下:

import numpy as np

数组

一、创建数组

本节主要介绍两种创建数组的方法，一种是利用NumPy中的array()函数将特定的数据类型转换为数组，另一种是利用内置函数创建指定尺寸的数组。

1.1 利用array()函数创建数组

基于array()函数，可以将列表、元组、嵌套列表、嵌套元组等给定的数据结构转化为数组，值得注意的是，利用array()函数之前，要导入NumPy。下面是一个示例:

#先预定义列表d1，元组d2,嵌套列表d3,d4和嵌套元组d5
import numpy as np
d1 = [1,2,3,4,0.1,7]
d2 = (1,2,3,4,2.3)
d3 = [[1,2,3,4],[5,6,7,8]]
d4 = [(1,2,3,4),(5,6,7,8)]
d5 = ((1,2,3,4),(5,6,7,8))
d11 = np.array(d1)
d21 = np.array(d2)
d31 = np.array(d3)
d41 = np.array(d4)
d51 = np.array(d5)

执行结果如下图所示:

1.2 利用内置函数创建数组

利用内置函数可以创建一些特殊的数组，例如，可以利用ones(n,m)函数创建n行m列全为1的数组，利用zeros(n,m)函数创建n行m列元素全为0的数组，利用arange(a,b,c)创建以a为初始值，b-1为末值，c为步长的一维数组。其中a和c可以省略，这时a默认为0，c默认为1。示例如下:

import numpy as np
z1 = np.zeros((1,3))#这里要注意几个维度就几层括号，这里是二维，所以两个。
z2 = np.ones((3,4))#同上
z3 = np.arange(10)
z4 = np.arange(2,10)
z5 = np.arange(2,10,2)

执行结果如下图所示:

二、数组尺寸

数组尺寸也称为数组大小，通过行数与列数来表现。通过数组中的shape属性，可以返回数组的尺寸，其返回值为元组。如果是一维数组，返回元组中仅一个元素，代表这个数组的长度，如果是二维数组，元组中有两个值，第一个值代表了这个数组的行数，第二个值代表了数组的列数。示例代码如下:

import numpy as np
d1 = [1,2,3,4,0.1,7]
d3 = [[1,2,3,4],[5,6,7,8]]
d11 = np.array(d1)
d31 = np.array(d3)
s11 = d11.shape
s31 = d31.shape

执行结果如下图所示:

从结果可以看出一维数组d11的长度为6，二维数组d31的行数为2，列数为4。在程序中，有时候需要将数组进行重排，可以通过reshape()函数进行实现，示例代码如下:

import numpy as np
r = np.array(range(9))
r1 = r.reshape((3,3))#几个维度就有几个括号同上。

执行结果如下图所示:

上图显示了通过reshape函数，将一维数组r转换为了3行3列的二维数组r1。

三、数组运算

数组的运算主要包括数组之间的加减乘除乘方运算，以及数组的数学函数运算。示例代码如下:

import numpy as np
A = np.array([[1,2],[3,4]])
B = np.array([[5,6],[7,8]])
C1 = A-B   #对应元素做运算，下同
C2 = A+B
C3 = A*B
C4 = A/B
C5 = A/3
C6 = 1/A
C7 = A**2
C8 = np.array([1,2,3,3.1,4.5,6,7,8,9])
C9 = (C8-min(C8))/(max(C8)-min(C8))#对C8的元素做极差化处理
####数学运算
E1 = np.sqrt(C8)#对数组中所有元素去平方根，结果赋给E1
E2 = np.abs([-1])#对给定的参数数组中的元素全部取绝对值，将结果赋给E2
E3 = np.cos([1,-2,3])#取对应参数数组中元素的cos值
E4 = np.sin([1,-2,3])#同上
E5 = np.exp([1])#取指数函数值，也就是以e为底，数组中元素为指数，求值

执行结果如下图所示:

四、数组切片

数组切片即抽取数组中的部分元素构成新的数组，那么如何抽取呢？通过指定数组中的行下标和列下标来抽取元素，从而组成新的数组。下面介绍直接利用数组本身的索引机制来切片和利用ix_()函数构建索引器进行切片这两种方法，第一种方法称为常见的数组切片方法。

4.1 常见的数组切片方法

一般的，假设D为待访问或切片的数据变量，则访问或者切片的数据为D[n,m]。其中n为对D的行下标控制，m为对D的列下标控制，行和列下标控制通过整数列表来实现。但是需要注意的是n整数列表中的元素不能超出D中的最大行数，而m整数列表不能超过D的最大列数。
为了更灵活地操作数据，取所有的行或列，可以用“:”来实现。同时，行控制还可以通过逻辑列表来实现。示例代码如下:

import numpy as np
D = np.array([[1,2,3,4],[5,6,7,8]])
#访问D中行为1，列为2的数据，注意下标是从0开始。
D12 = D[1,2]
#访问D中第1、3列数据
D1 = D[:,[1,3]]
#访问D中第1、2行数据
D2 = D[[1,2],:]
#取D中满足第0列大于5的所有数
Dt1 = D[D[:,0]>5,:]
#------------------------------
TF = [True,False,False,True]
#取D中第0、3列所有数据
Dt3 = D[TF,:]
#取D中第0、3行的2、3列数据
Dt4 = D[TF,[2,3]]
#取D中大于4的所有元素
Dt5 = D[D>4]

执行结果如下图所示:

4.2 利用ix_()函数进行切片

数组的切片也可以通过ix_()函数进行构造、列下标索引器来实现。示例代码如下:

import numpy as np
D = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])
#提取D中行数为1、2，列数为1、3的所有元素
D3 = D[np.ix_([1,2],[1,3])]
#提取D中行数为0、1，列数为1、3的所有元素
D4 = D[np.ix_(np.range(2),[1,3])]
#提取以D中第1列小于11的2、3列元素
D6 = D[np.ix_(D[:,1]<11,[1,2])]
#提取以D中第1列小于11的第2列元素
D7 = D[np.ix_(D[:,1]<11,[2])]
TF = [True,False,False,True]
#提取以D中第1行和第四行的第3列元素
D8 = D[np.ix_(TF,[2])]

执行结果如下图所示:

五、数组连接

在数据处理中，多个数据源的集成整合是经常发生的。数组见的集成与整合主要体现在数组间的连接，包括水平连接和垂直连接两种方式。水平连接用hstack()函数实现，垂直连接用vstack()函数实现。
注意输入参数为两个待连接数组组成的元组。示例代码如下:

import numpy as np
A = np.array([[1,2],[3,4]])
B = np.array([[5,6],[7,8]])
C = np.hstack((A,B)) #水平连接
D = np.vstack((A,B)) #垂直连接

执行结果如下图所示:

六、数据存取

利用NumPy包中的save()函数，可以将数据集保存为二进制数据文件，数据文件扩展名为.npy，示例代码如下:

import numpy as np
A = np.array([[1,2],[3,4]])
np.save('data',A)

执行结果如下图所示:

load()函数，可以加载该数据集。示例代码如下:

import numpy as np
load_result  = np.load('data.npy')

执行结果如下图所示:

七、数组形态变换

NumPy包提供了reshape()函数用于改变数组的形状，reshape()函数仅改变原始数据的形状，不改变原始数据的值。示例代码如下:

import numpy as np
arr = np.arange(12)
arr1 = arr1.reshape(3,4)#设置ndarray的维度3行4列
arr_r = arr1.ravel()#将多维数组转换为一维数组

执行结果如下图所示:

八、数组排序与搜索

通过NumPy提供的sort()函数，可以将数组元素值按从小到大的顺序进行直接排序，示例代码如下:

import numpy as np
arr = np.array([1,2,5,3,6,5,8])
arr1 = np.sort(arr)

执行结果如下图所示:

通过NumPy包提供的argmax()和argmin函数，可以返回待搜索数组最大值和最小值元素的索引值。如果存在多个最大值和最小值，则返回第一次出现的索引值。对于二维数组，可以通过设置axis=0或axis=1返回各列或各行最大值或最小值的索引值。需要注意的是索引值是从0开始。示例代码如下:

import numpy as np
arr = np.array([5,2,3,4,5,1])
arr1 = arr.reshape(2,3)
maxindex = np.argmax(arr)
minindex = np.argmin(arr)
maxindex1 = np.argmax(arr1,axis=0)#返回各列最大值的索引值
minindex1 = np.argmin(arr1,axis=1)#返回各行最小值的索引值

执行结果如下图所示:

矩阵与线性代数运算

NumPy包的matrix()函数继承自NumPy的二维数组ndarray对象，不仅拥有二维ndarray的属性、方法与函数、还拥有诸多特有的属性与方法。同时，NumPy包中的matrix()函数与线性代数中的矩阵概念几乎完全相同，同样含有转置矩阵、共轭矩阵、逆矩阵等概念。

九、创建NumPy矩阵

在NumPy中可使用mat()，matrix()或bmat()函数来创建矩阵。使用mat()函数创建矩阵时，若输入matrix或ndarray对象，则不会为他们创建副本。因此调用mat()函数与调用matrix(data,copy=False)等价。示例代码如下:

import numpy as np
mat1 = np.mat("1 2 3;4 5 6;7 8 9")
mat2 = np.matrix([[1,2,3],[4,5,6],[7,8,9]])

执行结果如下图所示:

在矩阵的日常使用中，将小矩阵组合成大矩阵是一种频率极高的操作。在NumPy中可以使用bmat()分块矩阵，示例代码如下:

import numpy as np
arr1 = np.eye(3)#创建一个3*3的单位矩阵
arr2 = 3*arr1
mat = np.bmat("arr1 arr2;arr1 arr2")

执行结果如下图所示:

十、矩阵的属性和基本运算

矩阵的特有属性及说明，如表:

特有属性	说明
T	返回自身的转置
H	返回自身的共轭
I	返回自身的逆矩阵

矩阵属性的具体查看方法，示例代码如下:

import numpy as np
mat = np.matrix(np.arange(4).reshape(2,2))
mT = mat.T
mH = mat.H
mI = mat.I

执行结果如下图所示:

在NumPy中，矩阵计算和ndarray计算类似，都能够作用于每个元素，比起使用for循环进行计算，矩阵计算更加高效，示例代码如下:

import numpy as np
mat1 = np.mat("1 2 3;4 5 6;7 8 9")
mat2 = mat1*3
mat3 = mat1+mat2
mat4 = mat1-mat2
mat5 = mat1*mat2#矩阵乘法
mat6 = np.multiply(mat1,mat2)#点乘，对应元素相乘

执行结果如下图所示:

10.1 计算逆矩阵

在线性代数中，矩阵A与A的逆矩阵相乘得到一个单位矩阵I。使用numpy.linalg模块中的inv()函数可以计算逆矩阵。示例代码如下:

import numpy as np
mat = np.mat('1 1 1;1 2 3;1 3 6')
inverse = np.linalg.inv(mat)#逆矩阵
A = np.dot(mat,inverse)#验证相乘是否为单位阵

执行结果如下图所示:

10.2 求解线性方程组

矩阵可以对向量进行线性变换，这个对应数学中的线性方程组。numpy.linalg模块中的solve()函数可以求解形如Ax=b的线性方程组，其中A为矩阵，b为一维或二维数组，x是未知变量。示例代码如下:

import numpy as np
A = np.mat("1,-1,1;2,1,0;2,1,-1")
b = np.array([4,3,-1])
x = np.linalg.solve(A,b)#线性方程组Ax=b的解

执行结果如下图所示:

10.3 求解特征值与特征向量

设A是n阶方阵，如果存在数a和非零n维列向量x，使得Ax=ax成立，则称a是A的一个特征值。NumPy中的linalg模块中的eigvals()函数可以求解矩阵的特征值，eig()函数可以返回一个包含特征值与特征向量的元组，示例代码如下:

import numpy as np
A = np.matrix([[1,0,2],[0,3,0],[2,0,1]])
A_value,A_vector = np.linalg.eig(A)

执行结果如下图所示:

10.4 奇异值分解

奇异值分解是线性代数中一种重要的矩阵分解，将一个矩阵分解为3个矩阵的乘积。numpy.linalg模块中的svd()函数可以对矩阵进行奇异值分解，返回U、Sigma、V这三个矩阵。其中，U和V是正交矩阵，Sigma是一维矩阵，其元素为进行奇异值分解的矩阵的非零奇异值。示例代码如下:

import numpy as np
A = np.mat("4,11,14;8,7,-2")
U,sigma,V = np.linalg.svd(A,full_matrices=False)

执行结果如下图所示:

10.5 计算矩阵行列式的值

矩阵行列式是指矩阵的全部元素构成的行列式，当构成行列式的矩阵为方阵时，行列式存在值。numpy.linalg模块中的det()函数可以计算矩阵行列式的值，示例代码如下:

import numpy as np
A = np.mat("3,4;5,6")
A_value = np.linalg.det(A)

执行结果如下图所示:

NumPy小结

本文介绍了Python用于科学计算的基础包Numpy，包括如何导入和使用Numpy包创建数组，以及相关的数组运算、获得数组的尺寸、数组的四则运算与数学函数的运算、数组的切片、数组的连接和数据的存取、数组形态的变换、数组元素的排序与搜索、矩阵及线性代数运算等相关知识。
由于NumPy借鉴了MATLAB矩阵开发思路，故NumPy的数组创建、运算、切片、连接及存取、排序与搜索、矩阵及线性代数运算均与MATLAB的矩阵操作极为相似。如果读者具有一定的MATLAB基础，可以将其与MATLAB进行对比和细细品味，相信一定会有所收获！
谢谢！