目录
一：Numpy简介
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，
支持大量的维度数组与矩阵运算，
此外也针对数组运算提供大量的数学函数库
NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
一个强大的N维数组对象 ndarray(矩阵)
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能
ndarray对象，主要学习包括有：
ndarray的创建
ndarray的属性
ndarray的索引与切片
多维数组
二：ndarray的创建
Numpy中的核心对象是ndarray
ndarray可以看成数组，类似于R语言的向量或者矩阵
Numpy里面所有的函数都是围绕ndarry展开的
示例1，如下
python 通过使用list创建 array
import numpy as np
# 通过python list创建 array
a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print("a打印结果为:{}".format(a), type(a))
print("b打印结果为:{}".format(b), type(b))
print("c打印结果为:{}".format(c), type(c))
输出结果为： a,b是一维；c是多维(二维)
c的0轴为[1 2 3 4]长度为4
c的1轴为[1 2 3 4] [5 6 7 8] ，长度为2
a打印结果为:[1 2 3 4] <class 'numpy.ndarray'>
b打印结果为:[5 6 7 8] <class 'numpy.ndarray'>
c打印结果为:[[1 2 3 4]
[5 6 7 8]] <class 'numpy.ndarray'>示例1 小结
ndarray对维数没有限制
[]从内到外分别是第0轴，第1轴，第2轴
c第0轴长度为4，第1轴长度为2
示例2，如下
Numpy提供了专门用于生成ndarray的函数，提高创建ndarray的速度
2.1 通过arange方法产生数组
0至1为区间，0.1为步幅
import numpy as np
# 通过arange方法产生数组
a = np.arange(0, 1, 0.1) # start=0 end=1 step=0.1(间隔)
print(a)
输出结果：
[0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
2.2 创建等差数列 linspace
区间2至3 ，共5个数的等差
import numpy as np
# 创建等差数列
b = np.linspace(2.0, 3.0, num=5)
print(b)
输出结果：
[2. 2.25 2.5 2.75 3. ]
2.3 二维数组 array
([[1, 2, 3, 4], [5, 6, 7, 8]])
import numpy as np
# 二维数组
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(c)
输出结果：
[[1 2 3 4]
[5 6 7 8]]
2.4 二维全0矩阵 zeros
[2,3]:2维3列 全0 [2--第1轴；3--第0轴]
import numpy as np
# 二维全0矩阵
e = np.zeros([2, 3])
print(e)
输出结果：
[[0. 0. 0.]
[0. 0. 0.]]
一维全0矩阵，示例
产生1维，长度为3的全0
0. 浮点数；一般用于分类算法，挑选出可能性最高的值的下标
import numpy as np
# 二维全0矩阵
d = np.zeros([3])
print(d)
输出结果：
[0. 0. 0.]
示例3，常见矩阵创建
empty 空矩阵，只分配内存， np.int创建整数矩阵
zeros 0填充
ones 1填充
eye 对角线是1
3.1 ones使用
import numpy as np
# 二维全1矩阵
d = np.ones((2, 3), np.int)
print(d)
输出结果：
[[1 1 1]
[1 1 1]]
import numpy as np
# 二维全1矩阵
d = np.ones((2, 3))
print(d)
输出结果：若不写np.int，则输出1.(默认是float类型)
[[1. 1. 1.]
[1. 1. 1.]]
示例4，自定义函数产生ndarray
%4是0至3，+1后是1至4，最终结果如下
import numpy as np
def func(i):
return i % 4 + 1
res = np.fromfunction(func, (10,))
print(res, type(res))
输出结果：
[1. 2. 3. 4. 1. 2. 3. 4. 1. 2.] <class 'numpy.ndarray'>
注：fromfunction第一个参数接收计算函数，第二个参数接收数组的形状
三：ndarray的属性
ndarray的元素具有相同的元素类型dtype，规定元素的类型
常用的有int(整型)，float(浮点型),complex(复数型)
示例1，如下
dtype，规定元素的类型 float
import numpy as np
a = np.array([1, 2, 3, 4], dtype=float)
print(a)输出结果： a输出为
[1. 2. 3. 4.]
ndarray的shape属性用来获得它的形状，也可以自己指定
示例2，如下
shape 获得形状
reshape 维度变换 (相邻两个组成对应形状)
import numpy as np
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [7, 8, 9, 10]])
print(c.shape)
a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(a.reshape((4, 2))) # 维度变换
输出结果：shape和reshape分别为
(3, 4)
[[1 2]
[3 4]
[5 6]
[7 8]]
import numpy as np
import cv2
img_mat = cv2.imread("dog.jpg")
print(img_mat.shape)
# 行数 列数 通道数
# 341 499 3
# 高度 宽度 深度
输出结果：图片通过shape操作
(341, 499, 3)
示例3
size元素个数、ndim 数组维度、 itemsize属性每个元素的大小，以字节为单位
3.1 size 元素个数
import numpy as np
a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(a.size)
输出结果：8
3.2 ndim数组维度
import numpy as np
a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(a.ndim)
输出结果：2
3.3 itemsize属性每个元素的大小，以字节为单位
如下 1 2 3 4，int为4字节
import numpy as np
c = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [7, 8, 9, 10]])
print(c.itemsize)
输出结果：4
四：切片 索引
Numpy数组的切片索引，不会复制内部数组数据，
仅创建原始数据的新视图，以引用方式访问数据（同一块内存空间）
切片索引的要点：
1 切片索引适用于有规律的查找指定位置的元素（元素位置位于等差序列）；2 当切片的数量少于数组维度时，缺失的维度索引被认为是一个完整切片，
省略与使用“:”或“…”等价；
示例1，一维数组的切片索引
1.1，ndarray对象的内容可以通过索引或切片来访问和修改，和list是一样的
import numpy as np
a = np.arange(10)
print(a)
输出结果：
[0 1 2 3 4 5 6 7 8 9]
1.2， 为1.1的拓展 和list是一样的 start stop step
import numpy as np
a = np.arange(10)
print(a)
a[::-1] # 逆序 [9,8,7,6,5,4,3,2,1,0]
print(a[::-1])
a[5] # 5
print(a[5])
a[3:5] # [3,4]
print(a[3:5])
a[:5] # 从索引0开始取5个元素 [0,1,2,3,4]
print(a[:5])
a[:-1] # 从最后一个索引开始向前取所有的元素[0,1,2,3,4,5,6,7,8]
print(a[:-1])
a[1:-1:2] # 从索引1开始到最后一个结束，每2个取一个[1,3,5,7]
print(a[::-1])
a[5:1:-2] # [5,3]
print(a[5:1:-2])
a[...] # 索引全部元素，与a[:]等价
print(a[...])
输出结果：
[0 1 2 3 4 5 6 7 8 9]
[9 8 7 6 5 4 3 2 1 0]
5
[3 4]
[0 1 2 3 4]
[0 1 2 3 4 5 6 7 8]
[9 8 7 6 5 4 3 2 1 0]
[5 3]
[0 1 2 3 4 5 6 7 8 9]
1.3，可以通过切片的对ndarray中的元素进行更改
import numpy as np
a = np.arange(10)
a[2:4] = 100, 101
print(a)
输出结果： a[2:4] ，2和3的地方赋值修改为100，101
[ 0 1 100 101 4 5 6 7 8 9]
1.4， ndarray通过切片产生一个新的数组b，b和a共享同一块数据存储空间
import numpy as np
# 输出1
a = np.array([0, 1, 100, 101, 4, 5, 6, 7, 8, 9])
b = a[3:7]
print(b)
# 输出2
b[2] = -10
print(b)
# 输出3
print(a)
输出结果：b和a共享同一块数据存储空间 ，原先的a被改变了
[101 4 5 6]
[101 4 -10 6]
[ 0 1 100 101 4 -10 6 7 8 9]
1.5，如果想改变这种情况，我们可以用整数数组索引法对数组元素切片，(不同地址操作)
整数数组索引 101 101 7 8
b = a[[3, 3, -3, 8]]整数数组索引法，产生新数组，不会对原来的产生影响
import numpy as np
# 输出1
a = np.array([0, 1, 100, 101, 4, 5, 6, 7, 8, 9])
# 整数数组索引 101 101 7 8
b = a[[3, 3, -3, 8]]
print(b)
# 输出2
b[2] = 100
print(b)
# 输出3
print(a)
# [0 1 100 101 4 -10 6 7 8 9]
输出结果：
[101 101 7 8]
[101 101 100 8]
[ 0 1 100 101 4 5 6 7 8 9] 原先的a最终没有被修改，即不同内存地址空间
五：数组的轴(二维数组)
二维数组有2个轴，轴索引分别是0和1 ，如下左图所示
示例1，数组转置
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[1][2], a[1, 2])
b = a.T # 数组转置
print(b)
输出结果： 输出a[1][2]为6 ；a[1,2]为6 转置.T
6 6
[[1 4]
[2 5]
[3 6]]
六：二维数组 切片索引
多维数组同样适用上述索引提取方法
示例1，如下 ，从第一行开始 行索引
import numpy as np
a = np.array([[1, 2, 3], [3, 4, 5], [4, 5, 6]])
print(a)
print(a[1:])
输出结果： a 与 a[1:]分别为
[[1 2 3]
[3 4 5]
[4 5 6]]
[[3 4 5]
[4 5 6]]
import numpy as np
import cv2
img_mat = cv2.imread("dog.jpg")
print(img_mat.shape)
# 行数 列数 通道数
# 341 499 3
# 高度 宽度 深度
print(img_mat[0], img_mat[0].shape)
输出结果： 图片示例 img_mat.shape与img_mat[0].shape比较
(341, 499, 3)
[[233 221 203]
[232 220 202]
[232 220 202]
...
[240 233 213]
[240 233 213]
[240 233 213]] (499, 3)
切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同
如果在行位置使用省略号，它将返回包含行中元素的 ndarray
示例2，如下
import numpy as np
a = np.array([[1, 2, 3], [3, 4, 5], [4, 5, 6]])
print(a[..., 1]) # 第2列元素 所有行全选，取中间的一列
print(a[1, ...]) # 第2行元素 所有列全选，取中间的一行
print(a[..., 1:]) # 第2列及剩下的所有元素，第2列开始
输出结果， 3个结果分别为：
[2 4 5]
[3 4 5]
[[2 3]
[4 5]
[5 6]]
七：高级索引
NumPy 比一般的 Python 序列提供更多的索引方式
除了用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引创立原数组的副本
7.1 整数数组索引
示例1，如下
获取数组中(0,0)，(1,1)和(2,0)位置处的元素
import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0, 1, 2], [0, 1, 0]]
print(y) # 获取数组中(0,0)，(1,1)和(2,0)位置处的元素
输出结果：获取数组中(0,0)，(1,1)和(2,0)位置处的元素
[1 4 5]
示例2，获取数组中 对应位置处的元素 如下
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = a[1:3, 1:3]
c = a[1:3, [1, 2]]
d = a[..., 1:]
print(b) # [[5 6], [8,9]]
print(c) # [[5 6], [8,9]]
print(d) # [[1 2], [5 6], [8,9]]
输出结果：
[[5 6]
[8 9]]
[[5 6]
[8 9]]
[[2 3]
[5 6]
[8 9]]
7.2 布尔索引
布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组
示例1，打印出大于5的元素，如下
import numpy as np
x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
# 现在我们会打印出大于 5 的元素
b = x[x > 5]
print('大于5的元素是\n{}'.format(b))
输出结果：
大于5的元素是
[ 6 7 8 9 10 11]
示例2，取补运算符，过滤 NaN(不确定值)[找到NaN并全部清除]，如下
import numpy as np
# 使用了 ~（取补运算符）来过滤 NaN。
a = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])
print(a[~np.isnan(a)])
输出结果：找到NaN(不确定值)并全部清除
[1. 2. 3. 4. 5.]
7.3 花式索引
花式索引指的是利用整数数组进行索引
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素；如果目标是二维数组，那么就是对应下标的行
花式索引跟切片不一样，它总是将数据复制到新数组中
示例1，类似整数数组索引法，如下
import numpy as np
x = np.arange(32).reshape((8, 4)) # 传入倒序索引
print(x[[4, 2, 1, 7]])
print(x[[-4, -2, -1, -7]])
输出结果：
[[16 17 18 19]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31]]
[[16 17 18 19]
[24 25 26 27]
[28 29 30 31]
[ 4 5 6 7]]
示例2，np.ix_，对取出位置的坐标处，再进行排列组合，如下
1： x[1,0] x[1,3] x[1,1] x[1,2]
5： x[5,0] x[5,3] x[5,1] x[5,2]
7： x[7,0] x[7,3] x[7,1] x[7,2]
2： x[2,0] x[2,3] x[2,1] x[2,2]
import numpy as np
x = np.arange(32).reshape((8, 4))
print(x[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])]) # 输出4*4矩阵
# 其元素分别是
# x[1,0] x[1,3] x[1,1] x[1,2]
# x[5,0] x[5,3] x[5,1] x[5,2]
# x[7,0] x[7,3] x[7,1] x[7,2]
# x[2,0] x[2,3] x[2,1] x[2,2]
# 相当于：
# y=np.array([[x[1,0], x[1,3], x[1,1], x[1,2]],\
# [x[5,0], x[5,3], x[5,1],x[5,2]],\
# [x[7,0] ,x[7,3], x[7,1], x[7,2]],\
# [x[2,0], x[2,3], x[2,1], x[2,2]]])
输出结果：
[[ 4 7 5 6]
[20 23 21 22]
[28 31 29 30]
[ 8 11 9 10]]
八：Numpy广播
广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行
如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘；这要求维数相同，且各维度的长度相同
如下图，会为b进行补充，让其与a同规模shape
示例，当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制，如下
import numpy as np
# 当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制。
a = np.array([1, 2, 3])
b = np.array([[0, 0, 0], [10, 10, 10], [20, 20, 20], [30, 30, 30]])
c = a + b
print(c)
输出结果：如1+20 2+20 3+20输出那一行 为 21 22 23
[[ 1 2 3]
[11 12 13]
[21 22 23]
[31 32 33]]
九：ufunc函数 算术运算
ufunc是universal function的简称，它是一种能对数组每个元素进行运算的函数
Numpy的许多ufunc函数都是用C实现的，因此它们的运算速度非常快
值得注意的是，对于等长度的ndarray，np.sin()比math.sin()要快，但是对于单个数值，math.sin()比较快
Numpy提供了的许多ufunc函数，它们和相应的的运算符运算结果相同，示例如下
import numpy as np
a = np.arange(0, 4) # [0 1 2 3]
b = np.arange(1, 5) # [1 2 3 4]
res1 = np.add(a, b)
print(res1)
res2 = a + b
print(res2)
# >>> np.substract(a,b) # 减法
# >>> np.multiply(a,b) # 乘法
# >>> np.divide(a,b) # 如果两个数字都为正数，则为整数除法
# >>> np.power(a,b) # 乘方
输出结果：
[1 3 5 7]
[1 3 5 7]
十：ufunc函数 比较运算
使用==，>对两个数组进行比较，会返回一个布尔数组，
每一个元素都是对应元素的比较结果，示例如下
1<3为True；2<2为False；3<1为False
import numpy as np
a = np.array([1, 2, 3]) < np.array([3, 2, 1])
print(a)
输出结果：
[ True False False]
布尔运算在Numpy中也有对应的ufunc函数
如下图所示
十一：Numpy函数库 随机数
Numpy提供了大量对于数组运算的函数。可以简化逻辑，提高运算速度
Numpy产生随机数的模块在random里面，其中有大量的分布
示例如下
import numpy as np
from numpy import random as nr
np.set_printoptions(precision=2) # 显示小数点后两位
r1 = nr.rand(4, 3)
r2 = nr.poisson(2.0, (4, 3))
print(r1)
print(r2)
输出结果：
[[0.7 0.65 0.72]
[0.8 0.99 0.35]
[0.55 0.26 0.25]
[0.33 0.24 0.88]]
[[1 2 3]
[2 2 5]
[6 4 1]
[5 2 1]]十二：Numpy函数库 求和、平均值、方差
示例1，sum，如下
import numpy as np
np.random.seed(42)
a = np.random.randint(0, 10, size=(4, 5))
res = np.sum(a)
print(res)
输出结果：96
示例2，axis，如下
import numpy as np
np.random.seed(42)
a = np.random.randint(0, 10, size=(4, 5))
res1 = a
print(res1)
res2 = np.sum(a, axis=1) # 行
print(res2)
res3 = np.sum(a, axis=0) # 列
print(res3)
输出结果： 3个结果值，分别为
[[6 3 7 4 6]
[9 2 6 7 4]
[3 7 7 2 5]
[4 1 7 5 1]]
[26 28 24 18]
[22 13 27 18 16]
示例3，keepdims可以保持原来数组的维数
import numpy as np
np.random.seed(42)
a = np.random.randint(0, 10, size=(4, 5))
res1 = np.sum(a, 1, keepdims=True)
print(res1)
res2 = np.sum(a, 0, keepdims=True)
print(res2)
输出结果：2个结果，分别为
[[26]
[28]
[24]
[18]]
[[22 13 27 18 16]]
十三：Numpy函数库 大小与排序
Numpy在排序等方面常用的函数如下：
min,max都有axis，out，keepdims等参数，我们来看其他函数，
示例1如下，maxinum返回两组矩阵广播计算后的结果
import numpy as np
a = np.array([1, 3, 5, 7])
b = np.array([2, 4, 6])
res = np.maxinum(a[None, :], b[:, None]) # maxinum返回两组矩阵广播计算后的结果
print(res)
输出结果：
[[2 3 5 7],
[4 4 5 7],
[6 6 6 7]]
sort()对数组进行排序会改变数组排序的内容，返回一个新的数组。axis的默认值是-1，即按最终轴进行排序。axis=0对每列上的值进行排序；
示例2 ，如下
import numpy as np
a = np.array([
[4, 7, 4, 5],
[2, 7, 3, 5],
[6, 6, 6, 7]
])
b = np.sort(a)
print(b)
输出结果：
[[4 4 5 7]
[2 3 5 7]
[6 6 6 7]]
import numpy as np
a = np.array([
[4, 7, 4, 5],
[2, 7, 3, 5],
[6, 6, 6, 7]
])
b = np.sort(a, axis=0)
print(b)
输出结果：
[[2 6 3 5]
[4 7 4 5]
[6 7 6 7]]
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
