Numpy 的官网 https://numpy.org
Numpy的练习题 https://github.com/rougier/numpy-100
NumPy（Numerical Python的简称）是Python数值计算最重要的基础包。 大多数提供科学计算的包都是用NumPy的阵列作为构建基础。
NumPy的主要对象是多维数组（multidimensional array）。 数组有时也翻译为阵列，它具有相同类型的元素（通常为数字），使用非负整数索引（ index）。 在NumPy中维度称为轴（Axes）。
处理数据时，通常需要使用多维数组的方法，有时还必须对该数据应用一些基本的数学和统计运算，这正是NumPy定位的地方。 另外，针对大型n维数组也提供许多高级数学和统计运算支持。
NumPy的数组称为ndarray（N-dimensional array）。 请注意，numpy的array与Python库中的array不同，后者仅处理一维数组且功能较少。
这些ndarray是NumPy的本质，使它比使用Python的内置数组更快。 由于它们是同类型的，这意味着所有元素都必须是同一类型，因此数据具有一致性，这导致更少的内存浪费和更好的时间效率。
另外，NumPy数组具有「已定义」数据类型。 这意味着无法将字符串插入整数类型数组。 NumPy通常与双精度数据类型一起使用。
例如，一个简单的数组，3D空间中的点的坐标[1， 2， 4]只有一个轴。 该轴上有3个元素，所以我们说它的长度为3。 二维数组会有2个轴，例如第一个维度的轴长度为2，第二个维度的轴长度为3。 如下图所示例子：
[[ 1, 0, ０], [ 0, 1, 2]]
ndarray内容如下：
ndarray.ndim：数组的轴数，例如： 一维数组轴数为 1，二维数组轴数为 2，三维的数组轴数则为3。
ndarray.shape：数组的维度。 对于具有n 列（rows）与m 行（columns）的矩阵，shape是（n， m）。
ndarray.size：数组元素的总数，等于的元素的乘积。
ndarray.dtype：描述数组中元素的类型，例如：numpy.int32，numpy.int16和numpy.float64。
ndarray.itemsize：数组中每个元素的大小（以字节为单位）。 例如，类型为float64具有itemsize8（= 64/8），而类型为complex32具有itemsize4（= 32/8）。
ndarray.data：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。
1. 一个简单例子
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])>>> a.shape
(3, 5)>>> a.ndim
2>>> a.dtype.name
'int32'>>> a.itemsize # 32/8
4>>> a.size
15>>> type(a)
<type 'numpy.ndarray'>
2. 创建数组
创建一维数组
>>> a = np.array([2, 3, 4])
>>> a
array([2, 3, 4])>>> a.ndim
1>>> a.dtype
dtype('int32')>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')
常见的错误
>>> a = np.array(1, 2, 3, 4) # WRONG >>> a = np.array([1, 2 ,3, 4]) # RIGHT
创建二维数组
>>> b = np.array([(1.5, 2, 3), (4, 5, 6)])
>>> b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])>>> b.ndim
2>>> b.dtype
dtype('float64')
数组的类型也可以在创建时明确指定：
>>> c = np.array( [[1, 2], [3, 4]], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
使用函数zeros会创建一个全零的数组，而函数ones则会创建全壹的数组。 默认情况下，创建的数组的dtype为 float64。
>>> np.zeros((3, 4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])# dtype can also be specified
>>> np.ones((2, 3, 4), dtype=np.int16 )
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)
为了创建数字序列，NumPy提供了类似于range的方法来返回数组而不是用数组的函数 。
使用函数arrange范围设定10 ~ 30，数值间隔为5，注意数组的输出并不包含最后的30。
>>> np.arange(10, 30, 5) array([10, 15, 20, 25])
也可以同时设定整数及浮点数的数值，最后格式都会转为浮点数格式。
# it accepts float arguments
>>> np.arange( 0, 2, 0.3 )
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])>>> d.dtype
dtype('float64')
3. 打印数组
打印一维、二维及三组数组。
>>> a = np.arange(6) # 1d array >>> print(a) [0 1 2 3 4 5] >>> b = np.arange(12).reshape(4, 3) # 2d array >>> print(b) [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] >>> c = np.arange(24).reshape(2, 3, 4) # 3d array >>> print(c) [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]
4. 基本操作
>>> a = np.array([20, 30, 40, 50]) >>> a array([20, 30, 40, 50])>>> b = np.arange(4) >>> b array([0, 1, 2, 3])>>> c = a - b >>> c array([20, 29, 38, 47])>>> b**2 array([0, 1, 4, 9])>>> 10*np.sin(a) array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])>>> a < 35 array([ True, True, False, False])
与许多矩阵语言不同，乘积运算符*在NumPy数组中按元素进行操作。 可以使用@运算符（在python> = 3.5中）或dot函数执行矩阵乘积：
>>> a = np.array( [[1,1],
... [0,1]] )>>> b = np.array( [[2,0],
... [3,4]] )>>> a * b # elementwise product
array([[2, 0],
[0, 4]])>>> a @ b # matrix product
array([[5, 4],
[3, 4]])
某些操作，例如（+=）和（*=）会修改现有数组，而不是创建一个新的数组。
>>> a = np.ones((2, 3), dtype=int)
array([[1, 1, 1],
[1, 1, 1]])>>> b = ([1, 2, 3], [4, 5, 6])>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])>>> b += a
>>> b
array([[4, 5, 6],
[7, 8, 9]])
通过axis参数，指定axis=1为row运算，axis=0为column运算。
>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.sum(axis=0) # sum of each column
array([12, 15, 18, 21])
>>> a.min(axis=1) # min of each row
array([0, 4, 8])>>> a.mean(axis=0) # mean of each column
array([4., 5., 6., 7.])>>> a.mean(axis=1) # mean of each row
array([1.5, 5.5, 9.5])>>> a.cumsum(axis=1) # cumulative sum along each row
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]], dtype=int32)
5. 索引
一维数组的索引。
>>> a = np.arange(10)**3 >>> a array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) # index( 0, 1, 2, 3, 4, 5, 6, 7, 8, 9)>>> a[2] 8>>> a[-1] 729>>> a[9] 729>>> a[2:5] array([ 8, 27, 64]) # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every 2nd element to -1000 >>> a[:6:2] = -1000 >>> a array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])>>> a[ : :-1] # reversed a array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
多维数组每个轴可以有一个索引。
>>> def f(x, y):
... return 10*x + y
>>> b = np.fromfunction(f, (5, 4), dtype=int)
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])>>> b[3, 1]
31>>> b[-1, -1]
43>>> b[0:5, 1] # each row in the second column of b
array([ 1, 11, 21, 31, 41])>>> b[ : , 1] # equivalent to the previous example
array([ 1, 11, 21, 31, 41])>>> b[1:3, : ] # each column in the second and third row of b
array([[10, 11, 12, 13],
[20, 21, 22, 23]])>>>b[:2, :2]
array([[ 0, 1],
[10, 11]])
6. 筛选
筛选是一个非常强大的工具，如果要避免出现异常值，可以使用它来清理数据，对于更好地了解数据也很有帮助。
>>> a = np.arange(10)**3 >>> a array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])# values bigger than 10 >>> a[a > 10] array([ 27, 64, 125, 216, 343, 512, 729], dtype=int32) # alternative – values smaller than 3 >>>np.extract((a < 3), a) array([0, 1], dtype=int32)# values bigger 5 and smaller 10 >>>a[(a > 5) & (a < 10)] array([8], dtype=int32)# indices of values bigger than 5 (rows and cols) >>>np.where(a > 5) (array([2, 3, 4, 5, 6, 7, 8, 9], dtype=int64),)
7. 排序
对数据集的每一行进行排序非常有用。 使用NumPy，我们还可以对其他维度（例如row）进行排序。
>>> c = ([8,5,7],[5,3,2])
>>> c
([8, 5, 7],
[5, 3, 2])>>>np.sort(c) # values sorted on last axis
array([[5, 7, 8],
[2, 3, 5]])>>>np.sort(c, axis=0) # values sorted on axis 0
array([[5, 3, 2],
[8, 5, 7]])
以上这些就是Numpy的基础介绍。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
