关于Python中numpy的基本使用详解以及速查

写在前面

现在写论文做毕设大概要用到这个，所以今天就大概把numpy的基本用法过了一遍，跟着视频中的例子练习了一遍，感觉还是蛮实用的。但是有的步骤可能用起来还不是很熟练。所以写了笔记以防后面忘了可以速查，同时分享给一同想要学习的小伙伴儿们~

numpy

numpy中所有的运算都是基于数组array运行的

• import numpy as np
  引入numpy的库并起一个别名np
• np.array([1,2,3,4,5])
  创建一个numpy的数组
• np.zeros((3,2))
  创建一个三行2列的0矩阵
• a = np.zeros((3,2))
• a.shape
  输出零矩阵的形状，即行列数
• np.ones((3,2))
  创建3行2列全为1的矩阵
• np.arange(3,7)
  创建一个有序的数组
• np.linspace(0,1,5)
  创建一个等间距的数列，其中前两个参数代表数组范围，最后一个参数为元素个数

numpy中数组默认类型是64位的浮点数，但可以用dypte指定其他的数据类型

对于现有的数组，也可以利用astype（）来转换数据类型

numpy中的两个相同长度的数组可以直接进行加减乘除的运算，就是对应位置的元素进行运算。

• np.dot(a,b)
  即对两个向量进行点乘运算
• c@d
  矩阵乘法，等同于np.matmul()函数
• np.sqrt(a)
  对数组中的所有数求平方根
• np.sin(a)
  对数组中的所有数求三角函数
• np.log(a)
  对数组中的所有数进行对数运算
• np.power(a,2)
  对数组中的所有数进行指数运算

numpy中不同尺寸的数组也可以直接做运算

在相加时，numpy会先将各自的数组进行扩展，即复制，然后将对应位置的元素进行相加

• e.argmin()和e.argmax()
  返回数组e中最小和最大元素的索引

• e.sum()
  返回数组中所有元素的总和

• e.mean()
  返回数组e中元素的平均值

• np.median(a)
  返回数组a中元素的中位数

• e.var()
  返回数组e的方差

• e.std()
  返回数组e的标准方差

• g.sum(axis=0)
  表示把数组g中每一列的数字相加，汇聚成一行
  

• g.sum(axis=1)
  表示把数组g中每一行的数字相加，汇聚成一列
  

对于numpy中array的操作，还有以下几种基本操作：

• 方括号中输入a<3则会返回所有小于3的元素
  
• 也可以写筛选条件，下面这个例子将筛选出大于3且是偶数的数
  

注：这里写筛选条件的时候，&表示且的意思，|表示或的意思

• 也可以对要提取的元素进行范围提取
  

注：Python中都是左闭右开区间，所以这里返回的是[1， 2]

• 也可以通过利用冒号来选中后续所有元素，或者可以直接省略掉冒号
  
• 也可以使用跨度来提取数组中的元素
  

例：使用numpy进行图像处理

通常我们可以把一张图看成是一个二维数组，数组中的每个元素用来表示像素点的亮度值

对于彩色的图片我们可以用三维数组来表示，数组中的第三维分别存储了像素点的红绿蓝分量

from PIL import Image
im = Image.open('D:\\研究生课程文件\\区块链相关资料\\pythonProject1\\testproject2\\door.jpeg')
im.show()
im = np.array(im)
im.shape

上述代码的意思就是先从PIL中导入Image这个类，然后打开图片door.jpeg,前面的参数是详细的文件路径，接着就是输出这张图片，然后把图片转换为array，然后输出数组的形状。

图片如下：

转换成数组输出后为：(800, 1200, 3)，即转换成了一个800行1200列的三维数组。

• im_r = im[:,:,0]
• Image.fromarray(im_r).show()

使用这种方式可以单独提取出像素点的红色分量

此时输出的图片如下：

然后我试着执行以下步骤时，报错了~

原因是两张图片转化出来的行列不一致，没办法进行直接相加，而且这两种形状还不能进行广播，这里其实是可以通过resize（）函数处理一下，让他们行列相等，就可以相加，后面就是这样进行了处理。

im2 = Image.open('D:\\研究生课程文件\\区块链相关资料\\pythonProject1\\testproject2\\wife.jpeg')
out = im2.resize((1200,800),Image.ANTIALIAS)
im3 = np.array(out)
im3.shape
im_blend1 = im * 0.4 + im3 * 0.6
im_blend1 = im_blend1.astype(np.uint8)
Image.formarray(im_blend1).show()

这里就是再打开图片wife.jpeg，然后利用resize函数对图片进行处理，然后再转化为array，这个时候它的array形状就和之前的door.jpeg是一样的了！

即输出数组为(800, 1200, 3)，然后就可以相加了。

图片wife.jpeg如下：

然后将两张图片进行叠加以后如下：

也可以利用跨度对图片进行降采样

• im_downsample = im[::10, ::10,:]
  利用跨度对图片进行降采样
• im_flipped = im[::-1,:,:]
• Image.fromarray(im_flipped).show()
  对图片进行翻转并输出
• im_cropped = im[40:540,400:900,:]
• Image.fromarray(im_cropped).show()
  对图片进行裁切并输出

总结

numpy提高Python的计算速度，是通过将问题向量化和并行化的思路来实现的。这种思想在其他的技术中也有应用，比如CUDA，Shader编程和深度学习中也会用到。