Numpy 使用教程--Numpy 数组操作及随机抽样
一、实验介绍
1.1 实验内容
如果你使用 Python 语言进行科学计算,那么一定会接触到 Numpy。Numpy 是支持 Python 语言的数值计算扩充库,其拥有强大的高维度数组处理与矩阵运算能力。除此之外,Numpy 还内建了大量的函数,方便你快速构建数学模型。
1.2 实验知识点
- Numpy 数组的基本操作
1.3 实验环境
- python2.7
- Xfce 终端
- ipython 终端
1.4 适合人群
本课程难度为一般,属于初级级别课程,适合具有 Python 基础,并对使用 Numpy 进行科学计算感兴趣的用户。
二、Numpy 数组的基本操作
上一个章节,我们了解了如何利用 numpy 创建各式各样的 ndarray。本章节,我们将利用学会针对 ndarray 的各种花式操作技巧。
2.1 重设形状
reshape
可以在不改变数组数据的同时,改变数组的形状。其中,numpy.reshape()
等效于 ndarray.reshape()
。reshape
方法非常简单:
numpy.reshape(a, newshape)
其中,a 表示原数组,newshape
用于指定新的形状(整数或者元组)。
举个例子:
import numpy as np
np.arange(10).reshape((5, 2))
2.2 数组展开
ravel
的目的是将任意形状的数组扁平化,变为 1 维数组。ravel
方法如下:
numpy.ravel(a, order='C')
其中,a 表示需要处理的数组。order
表示变换时的读取顺序,默认是按照行依次读取,当 order='F'
时,可以按列依次读取排序。
示例:
import numpy as np
a = np.arange(10).reshape((2, 5))
np.ravel(a)
np.ravel(a, order='F')
2.3 轴移动
moveaxis
可以将数组的轴移动到新的位置。其方法如下:
numpy.moveaxis(a, source, destination)
其中:
a
:数组。source
:要移动的轴的原始位置。destination
:要移动的轴的目标位置。
举个例子:
import numpy as np
a = np.ones((1, 2, 3))
np.moveaxis(a, 0, -1)
你可能没有看明白是什么意思,我们可以输出二者的 shape
属性:
2.4 轴交换
和 moveaxis
不同的是,swapaxes
可以用来交换数组的轴。其方法如下:
numpy.swapaxes(a, axis1, axis2)
其中:
a
:数组。axis1
:需要交换的轴 1 位置。axis2
:需要与轴 1 交换位置的轴 1 位置。
举个例子:
import numpy as np
a = np.ones((1, 4, 3))
np.swapaxes(a, 0, 2)
我们直接输出两个数组的 shape 值。
2.5 数组转置
transpose
类似于矩阵的转置,它可以将 2 维数组的横轴和纵轴交换。其方法如下:
numpy.transpose(a, axes=None)
其中:
a
:数组。axis
:该值默认为none
,表示转置。如果有值,那么则按照值替换轴。
举个例子:
import numpy as np
a = np.arange(4).reshape(2,2)
np.transpose(a)
2.6 维度改变
atleast_xd
支持将输入数据直接视为 x
维。这里的 x
可以表示:1,2,3
。方法分别维:
numpy.atleast_1d()
numpy.atleast_2d()
numpy.atleast_3d()
举个例子:
import numpy as np
np.atleast_1d([1])
np.atleast_2d([1])
np.atleast_3d([1])
2.7 类型转变
在 numpy 中,还有一系列以 as 开头的方法,它们可以将特定输入转换为数组,亦可将数组转换为矩阵、标量,ndarray
等。如下:
asarray(a,dtype,order)
:将特定输入转换为数组。asanyarray(a,dtype,order)
:将特定输入转换为ndarray
。asmatrix(data,dtype)
:将特定输入转换为矩阵。asfarray(a,dtype)
:将特定输入转换为float
类型的数组。asarray_chkfinite(a,dtype,order)
:将特定输入转换为数组,检查NaN
或infs
。asscalar(a)
:将大小为 1 的数组转换为标量。
这里以 asmatrix(data,dtype)
方法举例:
import numpy as np
a = np.arange(4).reshape(2,2)
np.asmatrix(a)
2.8 数组连接
concatenate
可以将多个数组沿指定轴连接在一起。其方法为:
numpy.concatenate((a1, a2, ...), axis=0)
其中:
(a1, a2, ...)
:需要连接的数组。axis
:指定连接轴。
举个例子:
import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([[7, 8], [9, 10]])
c = np.array([[11, 12]])
np.concatenate((a, b, c), axis=0)
这里,我们可以尝试沿着横轴连接。但要保证连接处的维数一致,所以这里用到了 .T
转置。
a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([[7, 8, 9]])
np.concatenate((a, b.T), axis=1)
2.9 数组堆叠
在 numpy 中,还有一系列以 as 开头的方法,它们可以将特定输入转换为数组,亦可将数组转换为矩阵、标量,ndarray
等。如下:
stack(arrays,axis)
:沿着新轴连接数组的序列。column_stack()
:将 1 维数组作为列堆叠到 2 维数组中。hstack()
:按水平方向堆叠数组。vstack()
:按垂直方向堆叠数组。dstack()
:按深度方向堆叠数组。
这里以 stack(arrays,axis)
方法举例:
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
np.stack((a, b))
当然,也可以横着堆叠。
np.stack((a, b), axis=-1)
2.10 拆分
split
及与之相似的一系列方法主要是用于数组的拆分,列举如下:
split(ary,indices_or_sections,axis)
:将数组拆分为多个子数组。dsplit(ary,indices_or_sections)
:按深度方向将数组拆分成多个子数组。hsplit(ary,indices_or_sections)
:按水平方向将数组拆分成多个子数组。vsplit(ary,indices_or_sections)
:按垂直方向将数组拆分成多个子数组。
下面,我们看一看 split 到底有什么效果:
import numpy as np
a = np.arange(10)
np.split(a, 5)
除了 1 维数组,更高维度也是可以直接拆分的。例如,我们可以将下面的数组按行拆分为 2。
import numpy as np
a = np.arange(10).reshape(2,5)
np.split(a, 2)
numpy 中还有针对数组元素添加或移除的一些方法。
2.11 删除
delete(arr,obj,axis)
:沿特定轴删除数组中的子数组。
下面,依次对 4 种方法进行示例,首先是 delete 删除:
import numpy as np
a = np.arange(12).reshape(3,4)
np.delete(a, 2, 1)
这里代表沿着横轴,将第 3 列(索引 2)删除。
当然,你也可以沿着纵轴,将第三行删除。
np.delete(a, 2, 0)
2.12 数组插入
insert(arr,obj,values,axis)
:依据索引在特定轴之前插入值。
再看一看 insert
插入, 用法和 delete
很相似,只是需要在第三个参数位置设置需要插入的数组对象:
import numpy as np
a = np.arange(12).reshape(3,4)
b = np.arange(4)
np.insert(a, 2, b, 0)
2.13 附加
append(arr,values,axis)
:将值附加到数组的末尾,并返回 1 维数组。
append
的用法也非常简单。只需要设置好需要附加的值和轴位置就好了。它其实相当于只能在末尾插入的 insert
,所以少了一个指定索引的参数。
import numpy as np
a = np.arange(6).reshape(2,3)
b = np.arange(3)
np.append(a, b)
注意 append
方法返回值,默认是展平状态下的 1 维数组。
2.14 重设尺寸
resize(a,new_shape)
:对数组尺寸进行重新设定。
resize
就很好理解了,直接举例子吧:
import numpy as np
a = np.arange(10)
a.resize(2,5)
你可能会纳闷了,这个 resize
看起来和上面的 reshape
一样呢,都是改变数组原有的形状。
其实,它们直接是有区别的,区别在于对原数组的影响。reshape
在改变形状时,不会影响原数组,相当于对原数组做了一份拷贝。而 resize
则是对原数组执行操作。
2.15 翻转数组
在 numpy 中,我们还可以对数组进行翻转操作:
fliplr(m)
:左右翻转数组。flipud(m)
:上下翻转数组。
举个例子:
import numpy as np
a = np.arange(16).reshape(4,4)
n.fliplr(a)
n.flipud(a)
三、Numpy 随机抽样
Numpy 的随机抽样功能非常强大,主要由 numpy.random 模块完成。
首先,我们需要了解如何使用 numpy 也就是生成一些满足基本需求的随机数据。主要由以下一些方法完成:
3.1 numpy.random.rand
numpy.random.rand(d0, d1, ..., dn)
方法的作用为:指定一个数组,并使用 [0, 1) 区间随机数据填充,这些数据均匀分布。
import numpy as np
np.random.rand(2,5)
3.2 numpy.random.randn
numpy.random.randn(d0, d1, ..., dn)
与 numpy.random.rand(d0, d1, ..., dn)
的区别在于,返回的随机数据符合标准正太分布。
import numpy as np
np.random.randn(1,10)
3.3 numpy.random.randint
randint(low, high, size, dtype)
方法将会生成 [low, high) 的随机整数。注意这是一个半开半闭区间。
import numpy as np
np.random.randint(2,5,10)
3.4 numpy.random.random_integers
random_integers(low, high, size)
方法将会生成 [low, high] 的 np.int 类型随机整数。注意这是一个闭区间。
import numpy as np
np.random.random_integers(2,5,10)
3.5 numpy.random.random_sample
random_sample(size)
方法将会在 [0, 1) 区间内生成指定 size 的随机浮点数。
import numpy as np
np.random.random_sample([10])
与 numpy.random.random_sample
类似的方法还有:
numpy.random.random([size])
numpy.random.ranf([size])
numpy.random.sample([size])
它们 4 个的效果都差不多。
3.6 numpy.random.choice
choice(a, size, replace, p)
方法将会给定的 1 维数组里生成随机数。
import numpy as np
np.random.choice(10,5)
上面的代码将会在 np.arange(10) 中生成 5 个随机数。
3.7 概率密度分布
除了上面介绍的 6 中随机数生成方法,numpy 还提供了大量的满足特定概率密度分布的样本生成方法。它们的使用方法和上面非常相似,这里就不再一一介绍了。列举如下:
numpy.random.beta(a,b,size)
:从 Beta 分布中生成随机数。numpy.random.binomial(n, p, size)
:从二项分布中生成随机数。numpy.random.chisquare(df,size)
:从卡方分布中生成随机数。numpy.random.dirichlet(alpha,size)
:从 Dirichlet 分布中生成随机数。numpy.random.exponential(scale,size)
:从指数分布中生成随机数。numpy.random.f(dfnum,dfden,size)
:从 F 分布中生成随机数。numpy.random.gamma(shape,scale,size)
:从 Gamma 分布中生成随机数。numpy.random.geometric(p,size)
:从几何分布中生成随机数。numpy.random.gumbel(loc,scale,size)
:从 Gumbel 分布中生成随机数。numpy.random.hypergeometric(ngood, nbad, nsample, size)
:从超几何分布中生成随机数。numpy.random.laplace(loc,scale,size)
:从拉普拉斯双指数分布中生成随机数。numpy.random.logistic(loc,scale,size)
:从逻辑分布中生成随机数。numpy.random.lognormal(mean,sigma,size)
:从对数正态分布中生成随机数。numpy.random.logseries(p,size)
:从对数系列分布中生成随机数。numpy.random.multinomial(n,pvals,size)
:从多项分布中生成随机数。numpy.random.multivariate_normal(mean, cov, size)
:从多变量正态分布绘制随机样本。numpy.random.negative_binomial(n, p, size)
:从负二项分布中生成随机数。numpy.random.noncentral_chisquare(df,nonc,size)
:从非中心卡方分布中生成随机数。numpy.random.noncentral_f(dfnum, dfden, nonc, size)
:从非中心 F 分布中抽取样本。numpy.random.normal(loc,scale,size)
:从正态分布绘制随机样本。numpy.random.pareto(a,size)
:从具有指定形状的 Pareto II 或 Lomax 分布中生成随机数。numpy.random.poisson(lam,size)
:从泊松分布中生成随机数。numpy.random.power(a,size)
:从具有正指数 a-1 的功率分布中在 0,1 中生成随机数。numpy.random.rayleigh(scale,size)
:从瑞利分布中生成随机数。numpy.random.standard_cauchy(size)
:从标准 Cauchy 分布中生成随机数。numpy.random.standard_exponential(size)
:从标准指数分布中生成随机数。numpy.random.standard_gamma(shape,size)
:从标准 Gamma 分布中生成随机数。numpy.random.standard_normal(size)
:从标准正态分布中生成随机数。numpy.random.standard_t(df,size)
:从具有 df 自由度的标准学生 t 分布中生成随机数。numpy.random.triangular(left,mode,right,size)
:从三角分布中生成随机数。numpy.random.uniform(low,high,size)
:从均匀分布中生成随机数。numpy.random.vonmises(mu,kappa,size)
:从 von Mises 分布中生成随机数。numpy.random.wald(mean,scale,size)
:从 Wald 或反高斯分布中生成随机数。numpy.random.weibull(a,size)
:从威布尔分布中生成随机数。numpy.random.zipf(a,size)
:从 Zipf 分布中生成随机数。
四、实验总结
本章节介绍了针对 Ndarray 的常用操作,并了解了 Numpy.randon 类下的随机抽样方法。这两点内容都非常重要,也非常实用。由于随机抽样的方法太多,全部记忆下来不太实际,你可以多浏览几遍留下印象,需要时再查阅官方文档。