Numpy数组计算基础

目录

一、前言

二、掌握Numpy数组对象ndarray 

2.1.创建数组对象

2.2.生成随机数

NumPy的基本数据类型及其取值范围

三、总结

---

一、前言

      NumPy（Numerical Python的简称）是Python中一个非常重要的库，它主要用于进行大量的数值和矩阵计算。NumPy提供了一个高性能的多维数组对象，以及一系列用于操作这些数组的函数。这些数组是固定的类型，大小可以动态变化，支持复杂的数组索引和切片操作，并且提供了大量的数学函数库，以便在数组上进行操作。Numpy是用于数据科学计算的基础模块，不但能够完成科学计算的任务，而且能够用作高效的多维数据容器，可用于存储和处理大型矩阵。Numpy本身并没有提供很多高级的数据分析功能。理解Numpy数组及数组计算有助于更加高效地使用诸如pandas等数据处理工具。

二、掌握Numpy数组对象ndarray 

       python提供了一个array模块。array和list不同，array直接保存数值，和C语言的一维数组比较类似。但是由于python的array模板不支持多维，也没有各种运算函数，因此不适合做数值运算。Numpy弥补了python不支持多维等不足之处，它提供了一种存储单一数据类型的多维数组----ndarray。

2.1.创建数组对象

       Numpy提供了两种基本对象：ndarray和ufunc。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。在Numpy中，维度称为轴。Numpy提供的array函数可以创建一维或多维数组。

arange函数的常用参数及其说明

参数名称	参数说明
start	接收 int 或实数。表示数组的开始值，生成的数组包括该值。默认为 0
stop	接收 int 或实数。表示数组的终值，生成的数组不包括该值。无默认值
step	接收 int 或实数。表示在数组中，值之间的步长。默认为 1
dtype	接收数据类型。表示输出数组的类型。默认为 None

个表格主要解释了 arange 函数的一些常见参数和它们的作用。请注意，这些信息可能适用于某种编程语言或特定的软件工具。如果大家需要进一步的帮助，请提供上下文或指定具体的编程环境。

首先我们先安装

pip install numpy

接下来就可以进行下一步了

创建一维数组与多维数组并查看属性的过程：

创建数组：

NumPy 提供了两种基本对象：ndarray 和 ufunc。ndarray 是存储单一数据类型的多维数组，而 ufunc 则是对数组进行处理的函数。在 NumPy 中，维度被称为轴。通过 np.array() 函数，我们可以创建一维或多维数组。

#导入Numpy库
import numpy as np
#创建一维数组
arr1 = np.array([1,2,3,4])
print('创建的数组为：\n',arr1)

#创建二维数组
arr2 = np.array([[1,2,3,4],[4,5,6,7],[7,8,9,10]])
print('创建的数组为：\n',arr2)

查看属性：

#查看数组形状
print（'数组形状为：',arr2.shape)

#查看数组元素类型
print('数组元素类型为:',arr2.dtype)

#查看数组元素个数
print('数组元素个数为：'arr2.size)

#查看数组每个元素存储空间
print('数组每个元素存储空间为:',arr2.itemsize)

重新设置数组的shape：

#重新设置数组的shape
arr2.shape = 4,3
print('重新设置数组shape后arr2为:\n',arr2)

      除了使用 array函数创建数组之外，还可以使用arange函数创建数组。arange函数类似于python自带的函数range，通过指定开始值、终值和步长来创建一维数组，创建的数组不含终值。

使用arange函数创建数组： 

#使用arange函数创建数组
print('使用arange函数创建数组为:\n',np.arange(0,1.0.1))

       logspace函数和linspace函数类似，但他创建的数组是等比数列，在logspace函数的参数中，除了base参数和linspace函数的retstep参数不同之外，其余均相同。base参数可用于设置日志空间的底数，在不设置的情况下，默认以10为底。

使用logspace函数创建的等比数:

#使用logspace函数创建的等比数
print('使用logspace函数创建的等比数列为：\n',np.logspace(0,2,20))

      Numpy还提供了其他函数，用于创建特殊数组，如zeros,eye,diag和ones函数等。其中zeros 函数用于创建元素全部0的数组，即将创建的数组的元素全部填充为0。eye函数用于生成主对角线上的元素为1、其他元素0的二维数组，类似单位矩阵。diag 函数创建类似对角矩阵的数组，即除对角线上的元素以外的其他元素都为0，对角线上的元素可以是0或其他值。ones函数用于创建元素全部为1的数组，即将创建的数组的元素全部填充为1.

代码演示如下：        

#使用zeros函数创建数组
print('使用zeros函数创建数组为:\n',np.zeros((2,3)))

#使用eye函数创建数组
print('使用eye函数创建数组为:\n',np.eye(3))

#使用diag函数创建数组
print('使用diag函数创建数组为:\n',np.diag([1,2,3,4]))

#使用ones函数创建数组
print('使用ones函数创建数组为:\n',np.ones((5,3)))

数组的数据类型转换：

NumPy 极大程度地扩展了 Python 的数据类型。在 NumPy 中，数组的数据类型是同质的，即数组中所有元素的数据类型必须是一致的。这使得更容易确定数组所需的存储空间。数组的数据类型转换示例如下：

 #整数转换为浮点数
print('转换结果为：',np.float64(42))
#浮点数转换为整数
print('转换结果为：',np.int8(42.0))
#整数转换为布尔值
print('转换结果为：',np.bool_(42))
#整数转换为布尔值
print('转换结果为：',np.bool_(0))
#布尔值转换为浮点数
print('转换结果为：',np.float64(True))
#布尔值转换为浮点数
print('转换结果为：',np.float64(False))

      为了更好地帮助读者理解数据类型，下面将创建一个用于存储餐饮企业库存信息的数据类型。其中，用一个能存储40个字符的字符串来记录商品的名称，用一个64位的整数来记录商品的库存数量，最后用一个64位的单精度浮点数来记录商品的价格，具体步骤如下。
（1）创建数据类型： 

df = np.dtype([('name', np.str_, 40),('numitems', np.int64),('price', np.float64)])
print('数据类型为：\n',df)

（2）查看数据类型，可以直接查看或使用 Numpy中的dtype属性进行查看如代：

print('数据类型为：', df['name'])
print('数据类型为：', np.dtype(df['name']))

（3）在使用array函数创建数组时，数组的数据类型默认是浮点型。若需要自定义数组数据，则可以预先指定数据类型：

itemz = np.array([('tomatoes', 42, 4.14),('cabbages', 13, 1.72)],dtype=df)
print('自定义数据为：',itemz)

2.2.生成随机数

andom模块中其他常用随机数生成函数

函数	说明
seed	确定随机数生成器的种子
permutation	返回一个序列的随机排列或返回一个随机排列的范围
shuffle	对一个序列进行随机排序
binomial	产生服从二项分布的随机数
normal	产生服从正态（高斯）分布的随机数
beta	产生服从 beta 分布的随机数
chisquare	产生服从卡方分布的随机数
gamma	产生服从 gamma 分布的随机数
uniform	产生在 [0.0, 1.0) 中均匀分布的随机数
exponential	产生服从指数分布的随机数
gumbel	产生服从 Gumbel 分布的随机数
geometric	产生服从几何分布的随机数
poisson	产生服从泊松分布的随机数
rand_	产生服从指定分布的随机数
randint	产生指定范围内的整数随机数

这个表格列出了一些Python中的random模块提供的用于生成各种分布的随机数的函数。每个函数都有相应的描述，例如seed用于确定随机数生成器的种子，permutation用于返回一个序列的随机排列或返回一个随机排列的范围，shuffle则用于对一个序列进行随机排序，等等。

使用random函数生成随机数：

print('生成的随机数为：\n',np.random.random(100))

使用rand函数生成服从均匀分布的随机数：

print('生成的随机数为：\n',np.random.rand(10,5)

 使用randn函数生成服从正态分布的随机数：

print('生成的随机数为：\n',np.random.randn(10,5))

使用randint函数生成给定范围的随机数： 

print('生成的随机数为：\n',np.random.randint(2,10,size=[2,5]))

NumPy提供了强大的生成随机数的功能。然而，真正的随机数很难获得，在实际中使围的都是伪随机数。在大部分储况下，伪随机教就能满足使用需求。当然，某些特珠情祝除外，如进行高精度的模批实验。对于 NumPy，与随机数相关的函数都在 random模块中，其中包括可以生成服从多种概率分布的随机数的函数。

NumPy的基本数据类型及其取值范围

类型	描述
bool	用1位存储的布尔值（值为True或False）
inti	表示由所在平台决定其精度的整数（一般为int32或int64）
int8	表示整数，范围为-128～127
int16	表示整数，范围为-32768～32767
int32	表示整数，范围为-2^31～2^31-1
int64	表示整数，范围为-2^63～2^63-1
uint8	表示无符号整数，范围为0～255
uint16	表示无符号整数，范围为0～65535
uint32	表示无符号整数，范围为0～2^32-1
uint64	表示无符号整数，范围为0～2^64-1
float16	表示半精度浮点数（16位），其中用1位表示正负，用5位表示整数，用10位表示尾数
float32	表示单精度浮点数（32位），其中用1位表示正负，用8位表示整数，用23位表示尾数
float64 或 float	表示双精度浮点数（64位），其中用1位表示正负，用11位表示整数，用52位表示尾数
complex64	表示复数，分别用两个32位浮点数表示实部和虚部
complex128 或 complex	表示复数，分别用两个64位浮点数表示实部和虚部
datetime64[ns]	nanosecond分辨率的时间戳，表示从某个时间基准（通常是Unix epoch）到给定时刻的时间差
timedelta64[ns]	nanosecond分辨率的时间间隔，表示两个日期或时刻之间的差值

这个表格列出了NumPy支持的各种基本数据类型以及它们的描述，包括布尔型、整数型、无符号整数型、浮点数型、复数型等，并给出了每种类型的取值范围。

三、总结

NumPy凭借其ndarray对象和全面的数组操作功能，为Python环境下的科学计算和数据分析提供了坚实的基础。掌握ndarray的创建和管理，以及如何利用NumPy生成随机数，是迈向数据科学和机器学习领域专业技能的第一步。无论是进行基础的数学运算，还是复杂的统计分析，NumPy都是不可或缺的利器，助力科研人员和工程师在数据的海洋中探索未知，解决问题。

NumPy的未来充满机遇与挑战。它将继续作为数据科学领域的基石，引领着行业向前发展，同时不断自我进化，以适应科技和社会的快速变迁。无论是对专业数据科学家，还是对广大数据爱好者而言，掌握和运用NumPy都将是一项终身受益的技能。