常量(了解)
1.numpy.nan
表示空值。值得注意的是,numpy.nan相互之间是不相等的
import numpy as np
print(np.nan == np.nan)
print(np.nan != np.nan)
False
True
扩展: numpy.isnan(x, *args, **kwargs) 用来判断是否为空值,返回布尔类型
import numpy as np
x = np.array([1, 1, 8, np.nan, 10])
print(x)
y = np.isnan(x)
print(y)
z = np.count_nonzero(y)
[ 1. 1. 8. nan 10.]
[False False False True False]
2.numpy.inf
表示无穷大值。值得注意的是,numpy.nan相互之间是相等的
print(np.inf == np.inf)
print(np.inf != np.inf)
True
False
创建数据类型(了解)
numpy 的数值类型实际上是 dtype 对象的实例。
class dtype(object):
def __init__(self, obj, align=False, copy=False):
pass
import numpy as np
a = np.dtype('b1')
print(a.type) # <class 'numpy.bool_'>
print(a.itemsize) # 1
a = np.dtype('i1')
print(a.type) # <class 'numpy.int8'>
print(a.itemsize) # 1
a = np.dtype('i2')
print(a.type) # <class 'numpy.int16'>
print(a.itemsize) # 2
a = np.dtype('i4')
print(a.type) # <class 'numpy.int32'>
print(a.itemsize) # 4
a = np.dtype('i8')
print(a.type) # <class 'numpy.int64'>
print(a.itemsize) # 8
a = np.dtype('u1')
print(a.type) # <class 'numpy.uint8'>
print(a.itemsize) # 1
a = np.dtype('u2')
print(a.type) # <class 'numpy.uint16'>
print(a.itemsize) # 2
a = np.dtype('u4')
print(a.type) # <class 'numpy.uint32'>
print(a.itemsize) # 4
a = np.dtype('u8')
print(a.type) # <class 'numpy.uint64'>
print(a.itemsize) # 8
a = np.dtype('f2')
print(a.type) # <class 'numpy.float16'>
print(a.itemsize) # 2
a = np.dtype('f4')
print(a.type) # <class 'numpy.float32'>
print(a.itemsize) # 4
a = np.dtype('f8')
print(a.type) # <class 'numpy.float64'>
print(a.itemsize) # 8
a = np.dtype('S')
print(a.type) # <class 'numpy.bytes_'>
print(a.itemsize) # 0
a = np.dtype('S3')
print(a.type) # <class 'numpy.bytes_'>
print(a.itemsize) # 3
a = np.dtype('U3')
print(a.type) # <class 'numpy.str_'>
print(a.itemsize) # 12
<class 'numpy.bool_'>
1
<class 'numpy.int8'>
1
<class 'numpy.int16'>
2
<class 'numpy.int32'>
4
<class 'numpy.int64'>
8
<class 'numpy.uint8'>
1
<class 'numpy.uint16'>
2
<class 'numpy.uint32'>
4
<class 'numpy.uint64'>
8
<class 'numpy.float16'>
2
<class 'numpy.float32'>
4
<class 'numpy.float64'>
8
<class 'numpy.bytes_'>
0
<class 'numpy.bytes_'>
3
<class 'numpy.str_'>
12
时间日期和时间增量(了解)
时间日期
import numpy as np
a = np.datetime64('2020-03-01')
print(a, a.dtype) # 2020-03-01 datetime64[D]
a = np.datetime64('2020-03')
print(a, a.dtype) # 2020-03 datetime64[M]
a = np.datetime64('2020-03-08 20:00:05')
print(a, a.dtype) # 2020-03-08T20:00:05 datetime64[s]
a = np.datetime64('2020-03-08 20:00')
print(a, a.dtype) # 2020-03-08T20:00 datetime64[m]
a = np.datetime64('2020-03-08 20')
print(a, a.dtype) # 2020-03-08T20 datetime64[h]
2020-03-01 datetime64[D]
2020-03 datetime64[M]
2020-03-08T20:00:05 datetime64[s]
2020-03-08T20:00 datetime64[m]
2020-03-08T20 datetime64[h]
时间增量
import numpy as np
a = np.datetime64('2020-03-08') - np.datetime64('2020-03-07')
b = np.datetime64('2020-03-08') - np.datetime64('202-03-07 08:00')
c = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 23:00', 'D')
print(a, a.dtype) # 1 days timedelta64[D]
print(b, b.dtype) # 956178240 minutes timedelta64[m]
print(c, c.dtype) # 1 days timedelta64[D]
a = np.datetime64('2020-03') + np.timedelta64(20, 'D')
b = np.datetime64('2020-06-15 00:00') + np.timedelta64(12, 'h')
print(a, a.dtype) # 2020-03-21 datetime64[D]
print(b, b.dtype) # 2020-06-15T12:00 datetime64[m]
1 days timedelta64[D]
956178240 minutes timedelta64[m]
1 days timedelta64[D]
2020-03-21 datetime64[D]
2020-06-15T12:00 datetime64[m]
数组的创建
numpy 提供的最重要的数据结构是ndarray,它是 python 中list的扩展。
1.依据现有数据来创建 ndarray
通过array()函数进行创建
# 创建一维数组
a = np.array([0, 1, 2, 3, 4])
b = np.array((0, 1, 2, 3, 4))
print(a, type(a))
print(b, type(b))
# 创建二维数组
c = np.array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25],
[26, 27, 28, 29, 30],
[31, 32, 33, 34, 35]])
print(c, type(c))
# 创建三维数组
d = np.array([[(1.5, 2, 3), (4, 5, 6)],
[(3, 2, 1), (4, 5, 6)]])
print(d, type(d))
[0 1 2 3 4] <class 'numpy.ndarray'>
[0 1 2 3 4] <class 'numpy.ndarray'>
[[11 12 13 14 15]
[16 17 18 19 20]
[21 22 23 24 25]
[26 27 28 29 30]
[31 32 33 34 35]] <class 'numpy.ndarray'>
[[[1.5 2. 3. ]
[4. 5. 6. ]]
[[3. 2. 1. ]
[4. 5. 6. ]]] <class 'numpy.ndarray'>
通过asarray()函数进行创建
array()和asarray()都可以将结构数据转化为 ndarray,但是array()和asarray()主要区别就是当数据源是ndarray 时,array()仍然会 copy 出一个副本,占用新的内存,但不改变 dtype 时 asarray()不会。
#相同点
import numpy as np
x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x,type(x))
print(y,type(y))
print(z,type(z))
[[1, 1, 1], [1, 1, 2], [1, 1, 1]] <class 'list'>
[[1 1 1]
[1 1 1]
[1 1 1]] <class 'numpy.ndarray'>
[[1 1 1]
[1 1 1]
[1 1 1]] <class 'numpy.ndarray'>
#区别
import numpy as np
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
y = np.array(x)
z = np.asarray(x)
w = np.asarray(x, dtype=np.int)
x[1][2] = 2
print(x,type(x),x.dtype)
print(y,type(y),y.dtype)#y copy出新的副本,与x的修改无关
print(z,type(z),z.dtype)
print(w,type(w),w.dtype)
[[1 1 1]
[1 1 2]
[1 1 1]] <class 'numpy.ndarray'> int32
[[1 1 1]
[1 1 1]
[1 1 1]] <class 'numpy.ndarray'> int32
[[1 1 1]
[1 1 2]
[1 1 1]] <class 'numpy.ndarray'> int32
[[1 1 1]
[1 1 2]
[1 1 1]] <class 'numpy.ndarray'> int32
通过fromfunction()函数进行创建
给函数绘图的时候可能会用到fromfunction(),该函数可通过函数来创建数组。
import numpy as np
def f(x, y):
return 10 * x + y
x = np.fromfunction(f, (5, 4), dtype=int)
print(x)
x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int)
print(x)
x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
print(x)
[[ 0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]]
[[ True False False]
[False True False]
[False False True]]
[[0 1 2]
[1 2 3]
[2 3 4]]
2. 依据 ones 和 zeros 填充方式
在机器学习任务中经常做的一件事就是初始化参数,需要用常数值或者随机值来创建一个固定大小的矩阵。
零数组
zeros()
函数:返回给定形状和类型的零数组。zeros_like()
函数:返回与给定数组形状和类型相同的零数组。
import numpy as np
x = np.zeros(5)
print(x)
x = np.zeros([2, 3])
print(x)
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.zeros_like(x)
print(y)
[0. 0. 0. 0. 0.]
[[0. 0. 0.]
[0. 0. 0.]]
[[0 0 0]
[0 0 0]]
1数组
与0数组同理:
import numpy as np
x = np.ones(5)
print(x)
x = np.ones([2, 3])
print(x)
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
print(y)
[1. 1. 1. 1. 1.]
[[1. 1. 1.]
[1. 1. 1.]]
[[1 1 1]
[1 1 1]]
空数组
与0数组同理,数组元素为随机数
import numpy as np
x = np.empty(5)
print(x)
x = np.empty((3, 2))
print(x)
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.empty_like(x)
print(y)
[1. 1. 1. 1. 1.]
[[1. 1.]
[1. 1.]
[1. 1.]]
[[0 0 0]
[0 0 0]]
单位数组
eye()
函数:返回一个对角线上为1,其它地方为零的单位数组。identity()
函数:返回一个方的单位数组。
import numpy as np
x = np.eye(4)
print(x)
x = np.eye(2, 3)
print(x)
x = np.identity(4)
print(x)
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
[[1. 0. 0.]
[0. 1. 0.]]
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
对角数组
import numpy as np
x = np.arange(9).reshape((3, 3))
print(x)
# [[0 1 2]
# [3 4 5]
# [6 7 8]]
print(np.diag(x)) # [0 4 8]
print(np.diag(x, k=1)) # [1 5]
print(np.diag(x, k=-1)) # [3 7]
v = [1, 3, 5, 7]
x = np.diag(v)
print(x)
# [[1 0 0 0]
# [0 3 0 0]
# [0 0 5 0]
# [0 0 0 7]]
[[0 1 2]
[3 4 5]
[6 7 8]]
[0 4 8]
[1 5]
[3 7]
[[1 0 0 0]
[0 3 0 0]
[0 0 5 0]
[0 0 0 7]]
常数数组
full()
函数:返回一个常数数组。full_like()
函数:返回与给定数组具有相同形状和类型的常数数组。
import numpy as np
x = np.full((2,), 7)
print(x)
# [7 7]
x = np.full(2, 8)
print(x)
# [7 7]
x = np.full((2, 5), 9)
print(x)
# [[7 7 7 7 7 7 7]
# [7 7 7 7 7 7 7]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 10)
print(y)
# [[7 7 7]
# [7 7 7]]
[7 7]
[8 8]
[[9 9 9 9 9]
[9 9 9 9 9]]
[[10 10 10]
[10 10 10]]
3. 利用数值范围来创建ndarray
arange()
函数:返回给定间隔内的均匀间隔的值。linspace()
函数:返回指定间隔内的等间隔数字。logspace()
函数:返回数以对数刻度均匀分布。numpy.random.rand()
返回一个由[0,1)内的随机数组成的数组。
import numpy as np
x = np.arange(5)
print(x) # [0 1 2 3 4]
x = np.arange(3, 7, 2)
print(x) # [3 5]
x = np.linspace(start=0, stop=2, num=9)
print(x)
# [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]
x = np.logspace(0, 1, 5)
print(np.around(x, 2))
# [ 1. 1.78 3.16 5.62 10. ]
#np.around 返回四舍五入后的值,可指定精度。
# around(a, decimals=0, out=None)
# a 输入数组
# decimals 要舍入的小数位数。 默认值为0。 如果为负,整数将四舍五入到小数点左侧的位置
x = np.linspace(start=0, stop=1, num=5)
x = [10 ** i for i in x]
print(np.around(x, 2))
# [ 1. 1.78 3.16 5.62 10. ]
x = np.random.random(5)
print(x)
# [0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]
x = np.random.random([2, 3])
print(x)
# [[0.41151858 0.93785153 0.57031309]
# [0.13482333 0.20583516 0.45429181]]
[0 1 2 3 4]
[3 5]
[0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]
[ 1. 1.78 3.16 5.62 10. ]
[ 1. 1.78 3.16 5.62 10. ]
[6.13548439e-04 1.79520976e-01 6.31648852e-01 8.36680726e-01
8.43057002e-01]
[[0.2023474 0.01798275 0.76780257]
[0.28220352 0.83947324 0.86106467]]
4. 结构数组的创建
结构数组,首先需要定义结构,然后利用np.array()
来创建数组,其参数dtype
为定义的结构。
(a)利用字典来定义结构
【例】
import numpy as np
personType = np.dtype({
'names': ['name', 'age', 'weight'],
'formats': ['U30', 'i8', 'f8']})
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>
(b)利用包含多个元组的列表来定义结构
【例】
import numpy as np
personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>
# 结构数组的取值方式和一般数组差不多,可以通过下标取得元素:
print(a[0])
# ('Liming', 24, 63.9)
print(a[-2:])
# [('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# 我们可以使用字段名作为下标获取对应的值
print(a['name'])
# ['Liming' 'Mike' 'Jan']
print(a['age'])
# [24 15 34]
print(a['weight'])
# [63.9 67. 45.8]
数组的属性
在使用 numpy 时,你会想知道数组的某些信息。很幸运,在这个包里边包含了很多便捷的方法,可以给你想要的信息。
numpy.ndarray.ndim
用于返回数组的维数(轴的个数)也称为秩,一维数组的秩为 1,二维数组的秩为 2,以此类推。numpy.ndarray.shape
表示数组的维度,返回一个元组,这个元组的长度就是维度的数目,即ndim
属性(秩)。numpy.ndarray.size
数组中所有元素的总量,相当于数组的shape
中所有元素的乘积,例如矩阵的元素总量为行与列的乘积。numpy.ndarray.dtype
ndarray
对象的元素类型。numpy.ndarray.itemsize
以字节的形式返回数组中每一个元素的大小。
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a.shape) # (5,)
print(a.dtype) # int32
print(a.size) # 5
print(a.ndim) # 1
print(a.itemsize) # 4
b = np.array([[1, 2, 3], [4, 5, 6.0]])
print(b.shape) # (2, 3)
print(b.dtype) # float64
print(b.size) # 6
print(b.ndim) # 2
print(b.itemsize) # 8
(5,)
int32
5
1
4
(2, 3)
float64
6
2
8
什么是numpy?
如何安装numpy?
什么是n维数组对象?
如何区分一维、二维、多维?
以下表达式运行的结果分别是什么?
(提示: NaN = not a number, inf = infinity)
0 * np.nan
np.nan == np.nan
np.inf > np.nan
np.nan - np.nan
0.3 == 3 * 0.1
将numpy的datetime64对象转换为datetime的datetime对象。
dt64 = np.datetime64('2020-02-25 22:10:10')
【知识点:时间日期和时间增量】
- 如何将numpy的datetime64对象转换为datetime的datetime对象?
作业
什么是numpy?
答:NumPy是Python语言的一个扩展程序库。支持高阶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。
如何安装numpy?
答:pip install numpy
什么是n维数组对象?
答:n维数组(ndarray)对象,是一系列同类数据的集合,可以进行索引、切片、迭代操作。 numpy中可以使用array函数创建数组:
如何区分一维、二维、多维?
n维数组(ndarray)对象的ndim属性,代表的是数组的维数(轴的个数),也称为秩,一维数组的秩为 1,二维数组的秩为 2,以此类推。
以下表达式运行的结果分别是什么?
(提示: NaN = not a number, inf = infinity)
0 * np.nan
np.nan == np.nan
np.inf > np.nan
np.nan - np.nan
0.3 == 3 * 0.1
print(np.nan * 0)
print(np.nan == np.nan)
print(np.inf > np.nan)
print(np.nan - np.nan)
print(0.3 == 3 * 0.1)
nan
False
False
nan
False
将numpy的datetime64对象转换为datetime的datetime对象。
dt64 = np.datetime64('2020-02-25 22:10:10')
【知识点:时间日期和时间增量】
- 如何将numpy的datetime64对象转换为datetime的datetime对象?
import numpy as np
import datetime
dt64 = np.datetime64('2020-02-25 22:10:10')
dt = dt64.astype(datetime.datetime)
print(dt,type(dt))
2020-02-25 22:10:10 <class 'datetime.datetime'>
给定一系列不连续的日期序列。填充缺失的日期,使其成为连续的日期序列。
dates = np.arange('2020-02-01', '2020-02-10', 2, np.datetime64)
【知识点:时间日期和时间增量、数学函数】
- 如何填写不规则系列的numpy日期中的缺失日期?
dates = np.arange('2020-02-01', '2020-02-10', 1, np.datetime64)
print(dates)
['2020-02-01' '2020-02-02' '2020-02-03' '2020-02-04' '2020-02-05'
'2020-02-06' '2020-02-07' '2020-02-08' '2020-02-09']
如何得到昨天,今天,明天的的日期
【知识点:时间日期】
- (提示: np.datetime64, np.timedelta64)
yesterday = np.datetime64('today', 'D') - np.timedelta64(1,'D')
today = np.datetime64('today', 'D')
tomorrow = np.datetime64('today', 'D') + np.timedelta64(1,'D')
print(yesterday)
print(today)
print(tomorrow)
2021-03-30
2021-03-31
2021-04-01
创建从0到9的一维数字数组。
【知识点:数组的创建】
- 如何创建一维数组?
a = np.arange(5)
print(a)
[0 1 2 3 4]
创建一个元素全为True
的 3×3 数组。
【知识点:数组的创建】
- 如何创建一个布尔数组?
x = np.full((3,3), True, dtype=np.bool)
print(x)
[[ True True True]
[ True True True]
[ True True True]]
创建一个长度为10并且除了第五个值为1的空向量
【知识点:数组的创建】
- (提示: array[4])
arr = np.empty(10)
arr[4] = 1
print(arr)
[2.12199579e-314 6.36598737e-314 2.33419537e-313 2.75859453e-313
1.00000000e+000 4.88059032e-313 6.57818695e-313 7.00258611e-313
8.70018274e-313 9.12458190e-313]
创建一个值域范围从10到49的向量
【知识点:创建数组】
- (提示: np.arange)
arr = np.arange(10,50,1)
print(arr)
[10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49]
创建一个 3x3x3的随机数组
【知识点:创建数组】
(提示: np.random.random)
arr = np.random.random((3,3,3))
print(arr)
[[[0.18351654 0.4906874 0.59926037]
[0.81717206 0.34834451 0.06653195]
[0.54986058 0.19039203 0.75184303]]
[[0.24577338 0.01284756 0.74547441]
[0.86072884 0.96877457 0.50612486]
[0.20145443 0.58272803 0.61607391]]
[[0.75030721 0.28277926 0.95061938]
[0.98361801 0.13900866 0.14310479]
[0.00801274 0.7266891 0.29833818]]]
创建一个二维数组,其中边界值为1,其余值为0
【知识点:二维数组的创建】
- (提示: array[1:-1, 1:-1])
Z = np.ones((10,10))
Z[1:-1, 1:-1] = 0
print(Z)
[[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]]
创建长度为10的numpy数组,从5开始,在连续的数字之间的步长为3。
【知识点:数组的创建与属性】
- 如何在给定起始点、长度和步骤的情况下创建一个numpy数组序列?
arr = np.arange(5, 35,3)
print(arr)
[ 5 8 11 14 17 20 23 26 29 32]
将本地图像导入并将其转换为numpy数组。
【知识点:数组的创建与属性】
- 如何将图像转换为numpy数组?
import numpy as np
from PIL import Image
img1 = Image.open('test.jpg')
a = np.array(img1)
print(a.shape, a.dtype)
(959, 959, 3) uint8