NumPy具有如下功能:
1.ndarray数组:一个具有矢量算术运算和复杂广播能力的多维数组,具有快速且节省空间的特点;( ndarray数组是NumPy的基础数据结构,可以灵活、高效地处理多个元素的操作。 )
2.对整组数据进行快速运算的标准数学函数(无需编写循环);
3.线性代数、随机数生成以及傅里叶变换功能;
4.读写磁盘数据、操作内存映射文件。
本质上,NumPy期望用户在执行“向量”操作时,像使用“标量”一样轻松。
ndarray的特点:
1.ndarray数组中所有元素的数据类型相同、数据地址连续,批量操作数组元素时速度更快。而list列表中元素的数据类型可能不同,需要通过寻址方式找到下一个元素。
2.ndarray数组支持广播机制,矩阵运算时不需要写for循环。
3.NumPy底层使用C语言编写,内置并行计算功能,运行速度高于Python代码。
在不写for循环的情况下,ndarray数组就可以非常方便的完成数学计算。在编写矢量或者矩阵的程序时,可以像编写普通数值一样,使得代码极其简洁。
另外,ndarray数组还提供了广播机制,它会按一定规则自动对数组的维度进行扩展(扩维)以完成计算。例如1维数组和2维数组进行相加操作,ndarray数组会自动扩展1维数组的维度,然后再对每个位置的元素分别相加。
如何创建ndarray数组:
创建ndarray数组最简单的方式就是使用array
函数,它接受一切序列型的对象(包括其他数组),然后产生一个新的含有传入数据的NumPy数组。
arange
:创建元素从0到10依次递增2的数组。
ndarray数组的属性:
ndarray的属性包括shape
、dtype
、size
和ndim
等,通过如下代码可以查看ndarray数组的属性。
1.shape
:数组的形状 ndarray.shape,1维数组(N, ),二维数组(M, N),三维数组(M, N, K)。
2.dtype
:数组的数据类型。
3.size
:数组中包含的元素个数 ndarray.size,其大小等于各个维度的长度的乘积。
4.ndim
:数组的维度大小,ndarray.ndim, 其大小等于ndarray.shape所包含元素的个数。
ndarray数组的统计方法:
1.mean
:计算算术平均数,零长度数组的mean为NaN。
2.std ,var
:计算标准差和方差,自由度可调(默认为n)。
3.sum
:对数组中全部或某轴向的元素求和,零长度数组的sum为0。
4.max ,min
:计算最大值和最小值。
5.argmin,argmax
:分别为最大和最小元素的索引。
6.cumsum
:计算所有元素的累加。
7.cumprod
:计算所有元素的累积。
设置随机数种子是为了保证输出结果一致
np.random.seed(10)
均匀分布:
使生成的随机数均匀分布,取值范围在(0,1)之间:a = np.random.rand(3, 3)
生成均匀分布的随机数,并指定随机数取值范围和数组形状:
a = np.random.uniform(low = -1.0, high = 1.0, size=(2,2))
正态分布
生成标准正态分布的随机数:a = np.random.randn(3, 3)
生成标准正态分布的随机数,指定均值loc和方差scale:
a = np.random.normal(loc = 1.0, scale = 1.0, size = (3,3))
线性代数:
线性代数(如矩阵乘法、矩阵分解、行列式以及其他方阵数学等)是任何数组库的重要组成部分,NumPy中实现了线性代数中常用的各种操作,并形成了numpy.linalg线性代数相关的模块。本节主要介绍如下函数:
diag
:以一维数组的形式返回方阵的对角线(或非对角线)元素,或将一维数组转换为方阵(非对角线元素为0)。dot
:矩阵乘法。trace
:计算对角线元素的和。- 上面三者用法:np.diag np.dot np.trace
- 下面三者用法:np.linalg.det np.linalg.eig np.linalg.inv
det
:计算矩阵行列式。eig
:计算方阵的特征值和特征向量。inv
:计算方阵的逆。
numpy读取文本文件:
1. 使用np.fromfile从文本文件'housing.data'读入数据
2.这里要设置参数sep = ' ',表示使用空白字符来分隔数据
3. 空格或者回车都属于空白字符,读入的数据被转化成1维数组
d = np.fromfile('./work/housing.data', sep = ' ')
实现图片垂直翻转:image2 = image[::-1, :, :]
实现图片水平翻转:image3 = image[:, ::-1, :]
调整图片亮度:
变暗:
image6 = image * 0.5
plt.imshow(image6.astype('uint8'))
变亮:
由于图片的RGB像素值必须在0-255之间,此处使用np.clip进行数值裁剪
image7 = image * 2.0
image7 = np.clip(image7, a_min=None, a_max=255.)
plt.imshow(image7.astype('uint8'))