亦可以得到专业技术大神的指813416857(AI人工智能学习交流),785685380(机器学习技术交流群),796764800(人工智能技术交流)群好好学习,天天向上。
NumPy是python的第三方科学计算包,全名称为Numerical Python extensions。NumPy包含以下几个功能组件:强大的N维数组对象(可以操控多为数组),优美巧妙的功能(广播)函数,对于线性代数,傅里叶变换,随机数的生成有着很好的支持。现在广泛用于机器学习与深度学习之中。
基础类型
NumPy中最基本的对象就是均匀多维数组,包含一系列相同类型的变量(一般数字),类似于数组,可以通过正整数来进行访问。注意,在Numpy中维数(dimensions)称之为axes。axes的数量就是rank(秩)。
举个例子,在一个三维空间中的一个点的坐标为[1, 3, 2]
,这是一个秩为1的数组,因为它只含有一个轴(axis),轴的长度为3。
接下来的这个例子的rank为2,因为它有两维。
(注意这里的维数于向量中的维数不同,这里的维数相当于C语言中数组的维数,又称轴数。另外这里的rank不等同于矩阵中的秩,在python的语言中,维数的数量称之为rank)
- 1
- 2
第一维(轴)的数量为2([1, 0, 2],[0 ,2, 1]),第二维的数量为3(如第一个数组中的1,0,2)。
再来区别一下python中rank与矩阵中rank(秩)的区别,numpy中多维数组其实就是矩阵,拥有和矩阵一样的性质。以下讲解中数组一般为多维数组。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
注意NumPy中的数组类称之为ndarray
,一般我们叫它的别名array
,其这个与python标准库中的array.array
不同,python中的只可以处理一维数组,功能上差很多。
基本定义方法
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
在平常的使用中,我们通常使用np做numpy的别名,这样可以使程序更加简洁便于阅读。
下面例子也中展示了array的基本构造,注意,这样初始化是错误的!
- 1
- 2
另外,还可以这样构造
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
基本操作
算术算法操作同样适合数组,numpy可以方便地在数组中进行操作。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
注意,numpy中的乘法符号*对数组中的每个元素也是同样起作用的,这个与矩阵中的乘法不同(dot)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
numpy中也支持+=
和-+
运算,在原先存在的array中进行操作(不是新创建一个数组)。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
上面的例子a+=b
出现错误,这是因为numpy在操作不同类型的数据时,会朝着更精确的数据类型进行转化(类似于C语言中的向上转型)。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
numpy中可以使用很多“非数组”操作符来对数组进行操作,如求和sum
,取平均mean
。也可以通过设定axis
参数来对特定的轴进行操作。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
通用操作
numpy中也有我们常见的数学函数sin
、exp
等,但在numpy中这些函数是对数组中所有元素进行全局操作,与以往的函数不同,这里输入输出都为数组。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
numpy中的一维数组也可以进行索引、切片和迭代,这个和python中的lists有着相似的功能。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
对于多维的数组,可以对其特定“轴”(axis)进行操作:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
numpy中也有一种用法可以在多维数组简洁表示,使用dots(...
)来表示同样数量的:
,比如:
x为秩为5的数组(有5个axis) x[1,2,...]
相当于x[1,2,:,:,:]
x[...,3]
相当于x[:,:,:,:,3]
x[4,...,5,:]
相当于x[4,:,:,5,:]
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
在对多维数组进行迭代时,默认对第一维进行迭代:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
可以使用flat来对数组中所有单个元素进行迭代:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
形状(shape)操作
每个数组对象都有一个对应元素数量的形状
- 1
- 2
- 3
- 4
- 5
- 6
- 7
数组的形状是可以通过不同的命令进行改变的
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
reshape
命令与resize
命令功能相同,只是resize
命令在自身上面进行改动
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
如果reshape
中某个参数赋予-1时,则这个参数会根据另一个参数进行自动填充
- 1
- 2
- 3
- 4
数组合并操作
数组之间可以相互进行合并,通过合并轴(axis)来实现
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
注意,在多于二维数组的操作中,vstack
对数组中的第二轴进行堆叠,而hstack
则对第一轴进行堆叠。
对多维数组进行切片
使用hspit
函数可以对数组在水平轴上进行切割,可以指定切割后有多少相似数组数量,和切割后有多少列来进行切割。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
同样的vsplit
可以对数组进行垂直切割。
复制和赋值
当在操作数组的时候,赋值和复制操作是不同的,这里需要注意。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
为什么会这样,因为python在传递时传递的是引用,类似于C++中的引用,上面的a和b其实是完全相同的,因为它们指向一个相同的对象,只是操作时的名称不同。如果想复制一个新的对象而不是引用,则需要使用其他操作符。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
这里view
只是模子,但其实数据还是公用的,接下来的copy
操作则实现了完全的复制
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
广播
广播是numpy一个非常强大的功能。你可以在一个数组中对其所有元素同时进行相同的操作,也可以同时操作两个及以上相同形状的多维数组,对其中的元素进行操作:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
关于广播功能还有很多,这里只进行简单的介绍。
更多请看:https://docs.scipy.org/doc/numpy/user/quickstart.html
高级索引功能
numpy中除了通过特定的整数和切片进行访问,还有很多高级的索引访问功能:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
再举一个例子,下面这段程序模拟了从一个“着色板”里面取出颜色汇成一个色彩图像。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
当然也可以对多维进行操作:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
为了程序的美观和效率,一般这样使用:
- 1
- 2
- 3
- 4
深度学习常用的几个numpy函数
numpy.prod:返回数组内元素的乘积
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
numpy.pad:将数组(矩阵)周围进行填充
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14