一文搞定Numpy基础！

numpy 百度百科传送门

1. 导入numpy并查看版本

import numpy as np

# np.__version__
print(np.__version__)

2. 创建numpy数组

• 2.1 np.array(list)：创建一维数组（向量）

  # np.array(list)
  w = np.array([1, 2, 3])
  

• 2.2 np.array(list)：创建多维数组（矩阵）

  # np.array(list)
  X = np.array(
      [
          [1, 2, 3],
          [4, 5, 6]
      ]
  )
  

• 2.3 np.zeros(shape, dtype)：创建元素值全为0的numpy数组

  # np.zeros(shape, dtype)
  zero = np.zeros(shape=(2, 3), dtype=int)
  

• 2.4 np.ones(shape, dtype)：创建元素值全为1的numpy数组

  # np.ones(shape, dtype)
  one = np.ones(shape=(2, 3), dtype=float)
  

• 2.5 np.full(fill_value, shape, dtype)：创建元素值全为指定元素的numpy数组

  # np.full(fill_value, shape, dtype)
  M = np.full(fill_value=2021, shape=(3, 3), dtype=int)
  

3. numpy区间与区间划分

• 3.1 np.arange(start, stop, step)：区间

  # np.arange(start, stop, step)
  # start 默认为 0
  # step 允许为 float类型
  M = np.arange(start=1, stop=10, step=2)  # [1 3 5 7 9]
  

• 3.2 np.linspace(start, stop, num)：区间划分

  # np.linspace(start, stop, num)
  M = np.linspace(start=0, stop=10, num=5)  # [ 0.   2.5  5.   7.5 10. ]
  

4. numpy中的随机数

• 4.1 np.random.seed(seed)：设置随机种子

  # np.random.seed(seed)
  np.random.seed(2021)
  

• 4.2 np.random.random(size)：随机生成5个(0, 1)之间的浮点数

  # np.random.random(size)
  array_rand = np.random.random(size=5)
  

• 4.3 np.random.randint(low, high, size)：随机生成5个[0, 10)之间的整数

  # np.random.randint(low, high, size)
  array_rand = np.random.randint(low=0, high=10, size=5)
  

• 4.4 np.random.normal(loc, scale, size)：随机生成5个满足正态分布的浮点数

  # np.random.normal(loc, scale, size)
  # loc: 均值
  # scale: 标准差
  array_rand = np.random.normal(loc=0.0, scale=1.0, size=5)
  

• 4.5 np.random.randn(shape)：随机生成5个满足标准正态分布的浮点数

  # np.random.randn(shape)
  # randn方法中的参数应该为生成数组的形状
  # 但查询文档后，未找到该参数的参数名（经测试，shape和size均不正确）
  array_rand = np.random.randn(2, 3)
  

• 4.6 np.random.shuffle(x)：对数组或列表进行乱序处理

  M = np.arange(start=0, stop=5, step=1)  # [0 1 2 3 4]
  
  np.random.seed(2021)
  # np.random.shuffle(x)
  np.random.shuffle(M)
  print(M)  # [2 0 3 1 4]
  

5. numpy数组的常用属性和常用方法

• 5.1 np.reshape(a, newshape)：改变数组形状

  M = np.arange(start=1, stop=7, step=1)
  
  # np.reshape(a, newshape)
  M_23 = np.reshape(a=M, newshape=(2, 3))
  M_23 = np.reshape(a=M, newshape=(2, -1))
  M_23 = np.reshape(a=M, newshape=(-1, 3))
  

• 5.2 M.shape：查看数组形状

  M = np.arange(start=1, stop=7, step=1).reshape(2, -1)
  
  # M.shape
  print(M.shape)  # (2, 3)
  

• 5.3 M.size：查看数组元素总数

  M = np.arange(start=1, stop=7, step=1).reshape(2, -1)
  
  # M.size
  print(M.size)  # 6
  

• 5.4 M.ndim：查看数组维度

  M = np.arange(start=1, stop=7, step=1).reshape(2, -1)
  
  # M.ndim
  print(M.ndim)  # 2
  

6. numpy数组的访问与切片

• 6.1 数组访问

  M = np.arange(start=1, stop=21, step=1).reshape(4, -1)
  '''
  [[ 1  2  3  4  5]
   [ 6  7  8  9 10]
   [11 12 13 14 15]
   [16 17 18 19 20]]
  '''
  # 访问第3行第2列的元素
  print(M[2][1])  # 12
  
  # 第2行
  print(M[1])  # [ 6  7  8  9 10]
  
  # 第3列
  print(M[:, 2])  # [ 3  8 13 18]
  

• 6.2 数组切片

  M = np.arange(start=1, stop=21, step=1).reshape(4, -1)
  '''
  [[ 1  2  3  4  5]
   [ 6  7  8  9 10]
   [11 12 13 14 15]
   [16 17 18 19 20]]
  '''
  
  # 前两行，所有列
  print(M[:2, :])
  '''
  [[ 1  2  3  4  5]
   [ 6  7  8  9 10]]
  '''
  
  # 第2、3行，第2、3列
  print(M[1:3, 1:3])
  '''
  [[ 7  8]
   [12 13]]
  '''
  
  # 所有行，奇数列
  print(M[:, ::2])
  '''
  [[ 1  3  5]
   [ 6  8 10]
   [11 13 15]
   [16 18 20]]
  '''
  # 指定列
  col_index = [0, 1, 4]
  print(M[:, col_index])
  '''
  [[ 1  2  5]
   [ 6  7 10]
   [11 12 15]
   [16 17 20]]
  '''
  

7. numpy数组的连接与划分

• 7.1 np.concatenate(list, axis)：数组的连接

  A = np.array([[1, 2], [3, 4]])
  B = np.array([[5, 6], [7, 8]])
  C = np.array([[9, 10], [11, 12]])
  
  # np.concatenate(list, axis)
  # 默认axis=0，忽视x方向（即在垂直方向）进行堆叠
  X = np.concatenate([A, B, C])
  print(X.shape)  # (6, 2)
  
  Y = np.concatenate([A, B, C], axis=1)
  print(Y.shape)  # (2, 6)
  

• 7.2 np.vstack(list) | np.hstack(list)：数组在两个方向上的堆叠

  A = np.array([[1, 2], [3, 4]])
  B = np.array([[5, 6], [7, 8]])
  C = np.array([[9, 10], [11, 12]])
  
  # np.vstack(list)：垂直方向上堆叠数组
  X = np.vstack([A, B, C])
  print(X.shape)  # (6, 2)
  
  # np.hstack(list)：水平方向上堆叠数组
  Y = np.hstack([A, B, C])
  print(Y.shape)  # (2, 6)
  

• 7.3 np.split(arr, position_list, axis)：数组的拆分

  M = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]])
  
  # np.split(arr, position_list, axis=0)
  X, Y, Z = np.split(M, [1, 3])
  print(X.shape, Y.shape, Z.shape)  # (1, 4) (2, 4) (1, 4)
  
  # np.split(arr, position_list axis=0)
  A, B = np.split(M, 2, axis=1)
  print(A.shape, B.shape)  # (4, 2) (4, 2)
  

• 7.4 np.vsplit(arr, list) | np.hsplit(arr, list)：数组在两个方向上的拆分

  M = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]])
  
  # np.vsplit(arr, list)
  x1, x2, x3 = np.vsplit(M, [1, 2])
  print(x1.shape, x2.shape, x3.shape)  # (1, 4) (1, 4) (2, 4)
  
  # np.hsplit(arr, list)
  y1, y2 = np.hsplit(M, 2)
  print(y1.shape, y2.shape)  # (4, 2) (4, 2)
  

8. numpy数组的运算

• 8.1 基本运算

  M = np.array([[1, 2], [3, 4]])
  
  print(M + 1)  # [[2, 3], [4, 5]]
  print(0 - M)  # [[-1, -2], [-3, -4]]
  print(1.5 * M)  # [[1.5, 3.], [4.5, 6.]]
  print(M / 2)  # [[0.5, 1.], [1.5, 2.]]
  print(M // 3)  # [[0, 0], [1, 1]]
  print(M % 3)  # [[1, 2], [0, 1]]
  print(M ** 2)  # [[1, 4], [9, 16]]
  
  y = np.linspace(0, 3.1415926535, num=7)  # [0, π] / 6
  print(np.sin(y))  # [0., 0.5, 0.866, 1, 0.866, 0.5, 0]
  print(np.cos(y))  # [1, 0.866, 0.5, 0, -0.5, -0.866, -1]
  
  print(np.exp(M))  # [2.71828183, 7.389, 20.086, 54.598]
  print(np.power(M, 3))  # [1, 8, 27, 64]
  

• 8.2 矩阵运算

  A = np.array([[1, 2], [3, 4]])
  B = np.array([[5, 6], [7, 8]])
  
  # 对应元素相加
  print(A + B)  # [[6, 8], [10, 12]]
  
  # 对应元素相乘
  print(A * B)  # [[5, 12], [21, 32]]
  
  # 矩阵的点乘运算
  print(A.dot(B))  # [[19, 22], [43, 50]]
  print(np.dot(A, B))  # [[19, 22], [43, 50]]
  
  # 矩阵的转置
  print(A.T)  # [[1, 3], [2, 4]]
  print(np.transpose(A))  # [[1, 3], [2, 4]]
  
  # 方阵的逆，非方阵不能求逆
  print(np.linalg.inv(A))  # [[-2., 1.], [1.5, -0.5]]
  print(np.linalg.inv(A).dot(A))  # [[1., 1.], [1., 1.]]
  
  # 矩阵的伪逆（无论是否为方阵，无论是否可逆，均可求）
  C = np.zeros(shape=(2, 3))
  print(np.linalg.pinv(C))  # [[0., 0.], [0., 0.], [0., 0.]]
  

• 8.3 聚合操作

  M = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
  
  # 求和
  # 整体聚合运算
  print(np.sum(M))  # 45
  
  # 不同维度上的聚合运算
  # 沿x方向（对列）求和
  print(np.sum(M, axis=0))  # [12 15 18]
  # 沿y方向（对行）求和
  print(np.sum(M, axis=1))  # [ 6 15 24]
  
  # 所有元素乘积
  print(np.prod(M))  # 362880
  
  # 平均数
  print(np.mean(M))  # 5.0
  
  # 中位数
  print(np.median(M))  # 5.0
  
  # 百分位点（当q=50时，即求中位数）
  print(np.percentile(a=M, q=50))  # 5.0
  # 常用百分位点
  for percent in [0, 25, 50, 75, 100]:
      print(percent, np.percentile(M, percent))
  
  # 方差
  print(np.var(M))  # 6.667
  
  # 标准差
  print(np.std(M))  # 2.582
  

9. 其他部分

• 9.1 arg索引

  M = np.array([4, 7, 1, 3, 8, 0, 6, 2, 9, 5])
  
  # 最小值索引
  print(np.argmin(M))  # 5
  # 最大值索引
  print(np.argmax(M))  # 8
  
  # 排序索引
  # 默认按行排序
  print(np.argsort(M))  # [5 2 7 3 0 9 6 1 4 8]
  

• 9.2 Fancy Indexing

  X = np.arange(16)
  # 一位数组获取指定索引位置的数据
  index = [3, 5, 8]
  print(X[index])  # [3 5 8]
  
  Y = X.reshape(4, -1)
  # 多维数组获取指定索引位置的数据
  rows = [0, 2, 3]
  cols = [1, 1, 3]
  print(Y[rows, cols])  # [ 1  9 15]
  

• 9.3 数组的比较

  X = np.arange(16).reshape(4, -1)
  
  # 统计大于3的元素的个数
  print(np.sum(X > 3))  # 12
  
  # 统计非零元素的个数
  print(np.count_nonzero(X))  # 15
  
  # 判断是否存在任意一个元素满足条件
  print(np.any(X == 0))  # True
  print(np.any(X == 16))  # False
  print(np.any(X < 0))  # False
  print(np.any(X > 10))  # True
  
  # 判断是否所有元素满足条件
  print(np.all(X > 0))  # False
  print(np.all(X >= 0))  # True