轩小陌的Python笔记-Numpy

Numpy

一、定义

一个基于python的扩展库

提供高维数组对象ndarray，运算速度碾压python List

提供了各种高级数据编程工具，如矩阵运算、向量运算、快速筛选、IO操作、傅里叶变换、线性代数、随机数等

二、属性

1. ndim：维度
2. shape：形状（各维度的长度）
3. size：总长度
4. dtype：元素类型

三、初始numpy

1、创建 ndarray

import numpy as np

arr1 = np.array([1,2,3])
type(arr1)
>>输出结果：<class 'numpy.ndarray'>

arr1.ndim
>>输出结果：1

arr1.shape
>>输出结果：(3,)

arr1.size
>>输出结果：3

arr1.dtype
>>输出结果：int32

arr2 = np.array([[1,2,3],[2,3,4]])
arr2.ndim, arr2.shape, arr2.size, arr2.dtype
>>输出结果：
2 (2, 3) 6 int32

2.强制类型统一

numpy设计初衷是用于运算的，所以对数据类型进行统一优化。

注意：

• numpy 默认 ndarray 的所有元素的类型是相同的。
• 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str > float > int 。

list1 = [1,2,3, 4.12]
print(list1)
>>输出结果：[1,2,3, 4.12]

arr1 = np.array(list1)
print(arr1)
>>输出结果：[1. 2. 3. 4.12]
arr1.dtype
>>输出结果：float64

3. numpy 中的数据类型

名称	   描述
bool_	布尔型数据类型（True 或者 False）
int_	默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc	与 C 的 int 类型一样，一般是 int32 或 int 64
intp	用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8	字节（-128 to 127）
int16	整数（-32768 to 32767）
int32	整数（-2147483648 to 2147483647）
int64	整数（-9223372036854775808 to 9223372036854775807）
uint8	无符号整数（0 to 255）
uint16	无符号整数（0 to 65535）
uint32	无符号整数（0 to 4294967295）
uint64	无符号整数（0 to 18446744073709551615）
float_	float64 类型的简写
float16	半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32	单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64	双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_	complex128 类型的简写，即 128 位复数
complex64	复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128	复数，表示双 64 位浮点数（实数部分和虚数部分）

4. 使用 numpy 的 routines 函数创建 ndarray

4.1 np.ones(shape, dtype=None, order=‘C’)，shape: 形状，使用元组表示

arr1 = np.ones(shape=(2,3))
print(arr1)
>>输出结果：
[[1. 1. 1.]
 [1. 1. 1.]]

arr1 = np.ones(shape=(3,))
print(arr2)
>>输出结果：
[1., 1., 1.]

arr3 = np.ones(shape=(1,3))
print(arr3)
>>输出结果：
[[1., 1., 1.]]

arr4 = np.ones(shape=(3,1))
print(arr4)
>>输出结果：
[[1.],
 [1.],
 [1.]]

arr5 = np.ones(shape=(3,2), dtype=np.int8)
print(arr5。dtype)
>>输出结果：
int8

4.2 np.zeros(shape, dtype=float, order=‘C’)

arr = np.zeros(shape=(3,1),dtype=np.uint8)
print(arr,arr.dtype)
>>输出结果：
[[0]
 [0]
 [0]] uint8

4.3 np.full(shape, fill_value, dtype=None, order=‘C’)

arr = np.full(shape=(3,3), fill_value=6)
print(arr)
>>输出结果：
[[6 6 6]
 [6 6 6]
 [6 6 6]]

4.4 np.eye(N, M=None, k=0, dtype=float)

N表示行数，M表示列数，k表示对角线的偏移量

arr1 = np.eye(N=3)
print(arr1)
>>输出结果：
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

arr2 = np.eye(N=3,M=4)
print(arr2)
>>输出结果：
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]]

arr3 = np.eye(N=3,k=1)
print(arr3)
>>输出结果：
[[0. 1. 0.]
 [0. 0. 1.]
 [0. 0. 0.]]

4.5 np.linspace(start, stop, num endpoint=True, retstep=False, dtype=None)

start：起始值，stop：终止值，num：生成数量，endpoint：是否包含终值，默认包含，retstep：是否显示步长，默认不显示

arr1 = np.linspace(0, 10, 11)
print(arr1)
>>输出结果：
[ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]

arr2 = np.linspace(0, 100, 10, endpoint=False)
print(arr2)
>>输出结果：
[ 0. 10. 20. 30. 40. 50. 60. 70. 80. 90.]

arr3 = np.linspace(0, 10, 11, retstep=True)
print(arr3)
>>输出结果：
(array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.]), 1.0)

4.6 np.arange(start, stop, step, dtype=None)

arr = np.arange(0, 100, step=10)
print(arr)
>>输出结果：
[ 0 10 20 30 40 50 60 70 80 90]

4.7 np.random.randint(low, high=None, size=None, dtype=‘l’)

arr1 = np.random.randint(low=0, high=100, size=(3,5))
print(arr1)
>>输出结果：
[[71 77 21 50 22]
 [97  2 76 15 88]
 [39 65 35 83 31]]

arr2 = np.random.randint(0,10, size=(10,))
print(arr2)
>>输出结果：
[7 4 1 0 0 8 8 8 9 3]

4.8 正态分布函数

4.8.1 np.random.normal( loc , scale , size ) 普通正态分布

loc：分布的均值（中心），scale：分布的标准差（宽度），size：数据的维度

arr1 = np.random.normal(loc=175, scale=10, size=(10,))
print(arr1)
>>输出结果：
[181.82099125 165.95232532 174.28611612 175.88692564 190.99557938
 188.72141845 172.99607932 181.86017743 179.41932145 177.87545193]

4.8.2 np.random.randn(d0, d1, …, dn) 标准正态分布

loc = 0 ，scale = 1 的正太分布，dn 表示数据的维度

arr1 = np.random.rand(4,2)
print(arr1)
>>输出结果：
[[0.72600143 0.00204256]
 [0.77456368 0.70902766]
 [0.13168928 0.37441316]
 [0.36387004 0.78058689]]

arr2 = np.random.rand(4,3,2)
print(arr2)
>>输出结果：
[[[0.33233046 0.09854491]
  [0.51708553 0.34565501]
  [0.92549466 0.47242487]]

 [[0.6345973  0.26929633]
  [0.18913436 0.86976257]
  [0.24877992 0.70578262]]

 [[0.02646144 0.12935062]
  [0.40492351 0.12528527]
  [0.19876852 0.97161948]]

 [[0.09079952 0.87203089]
  [0.13185315 0.11456373]
  [0.91589346 0.41653486]]]

4.9 np.random.random(size=None)

生成0到1的随机数，左闭右开

arr = np.random.random(size=(10,5))
print(arr)
>>输出结果：
[[0.6399623  0.2894182  0.68055697 0.31633504 0.96599415]
 [0.51333444 0.3878091  0.50374029 0.17746228 0.11390883]
 [0.5477178  0.60228294 0.8993186  0.03540799 0.7171814 ]
 [0.17864351 0.79998941 0.97899478 0.749328   0.88348865]
 [0.90883659 0.7320521  0.7149262  0.26934021 0.66994562]
 [0.85799539 0.14949797 0.42199284 0.43718203 0.27460366]
 [0.51228035 0.81401212 0.37627402 0.21548691 0.83943411]
 [0.61688753 0.78208082 0.00106351 0.28748206 0.69535803]
 [0.5425586  0.12124555 0.76270666 0.70387453 0.21285709]
 [0.73174531 0.32765208 0.97659109 0.81806137 0.3291994 ]]

4.10 np.random.permutation(10)

生成随机索引

arr = np.random.permutation(5)
print(arr)
>>输出结果：
[2 4 3 0 1]

4.11 np.random.seed(num)

在创建随机数组时，如果在np.random.seed()中指定一个参数值，如np.random.seed(2)，则每次生成的随机数组都相同

np.random.seed(2)  # 添加一个种子
arr = np.random.randint(0, 10, size=5)
print(arr)
>>输出结果：
[8 8 6 2 8]

练习题

1. 创建一组形状为(3,4)的二维数组，取值范围为（-5，5）

   np.random.randint(-5, 5, size=(3,4))
   

2. 创建一组等差数列，步长为3， 数组长度为5

   np.linspace(0, 15, 5, endpoint=False)
   
   np.arange(0, 15, step=3)
   

3. 构造一个3维取值范围为0-1的随机数组，数据类型为np.float64，形状为（100，100，3）

   data = np.random.random(size=(100, 100, 3))
   

4. 已知Π在numpy中是一个预制的常量，可以使用np.pi访问。计算出将一个圆等分成8份的弧度的代码

   np.linspace(0, 2*np.pi, num=8, endpoint=False)
   

5. ndarray的读写操作

5.1 索引访问

arr4 = np.random.randint(0