Python 科学计算库numpy

Numpy基础数据结构

NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成：

• 实际的数据
• 描述这些数据的元数

# 多维数组ndarray import numpy as np ar = np.array([1,2,3,4,5,6,7]) print(ar)          # 输出数组，注意数组的格式：中括号，元素之间没有逗号（和列表区分） print(ar.ndim)     # 输出数组维度的个数（轴数），或者说“秩”，维度的数量也称rank print(ar.shape)    # 数组的维度，对于n行m列的数组，shape为（n，m） print(ar.size)     # 数组的元素总数，对于n行m列的数组，元素总数为n*m print(ar.dtype)    # 数组中元素的类型，类似type()（注意了，type()是函数，.dtype是方法） print(ar.itemsize) # 数组中每个元素的字节大小，int32l类型字节为4，float64的字节为8 print(ar.data)     # 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 ar   # 交互方式下输出，会有array(数组) # 数组的基本属性 # ① 数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推 # ② 在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量： # 比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组 # 所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。 # 而轴的数量——秩，就是数组的维数。 # 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。 # 创建数组：linspace():返回在间隔[开始，停止]上计算的num个均匀间隔的样本。 ar1 = np.linspace(2.0, 3.0, num=5) ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False) ar3 = np.linspace(2.0, 3.0, num=5, retstep=True) print(ar1,type(ar1)) print(ar2) print(ar3,type(ar3)) # numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) # start：起始值，stop：结束值 # num：生成样本数，默认为50 # endpoint：如果为真，则停止是最后一个样本。否则，不包括在内。默认值为True。 # retstep：如果为真，返回（样本，步骤），其中步长是样本之间的间距 → 输出为一个包含2个元素的元祖，第一个元素为array，第二个为步长实际值   # 创建数组：zeros()/zeros_like()/ones()/ones_like() ar1 = np.zeros(5)   ar2 = np.zeros((2,2), dtype = np.int) print(ar1,ar1.dtype) # numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。 # shape：数组纬度，二维以上需要用()，且输入参数为整数 # dtype：数据类型，默认numpy.float64 # order：是否在存储器中以C或Fortran连续（按行或列方式）存储多维数据。 # 返回具有与给定数组相同的形状和类型的零数组，这里ar4根据ar3的形状和dtype创建一个全0的数组 ar5 = np.ones(9) ar6 = np.ones((2,3,4)) # ones()/ones_like()和zeros()/zeros_like()一样，只是填充为1   # 创建数组：eye() print(np.eye(5)) # 创建一个正方的N*N的单位矩阵，对角线值为1，其余为0     ndarray的数据类型 bool 用一个字节存储的布尔类型（True或False） inti 由所在平台决定其大小的整数（一般为int32或int64） int8 一个字节大小，-128 至 127 int16 整数，-32768 至 32767 int32 整数，-2 ** 31 至 2 ** 32 -1 int64 整数，-2 ** 63 至 2 ** 63 - 1 uint8 无符号整数，0 至 255 uint16 无符号整数，0 至 65535 uint32 无符号整数，0 至 2 ** 32 - 1 uint64 无符号整数，0 至 2 ** 64 - 1 float16 半精度浮点数：16位，正负号1位，指数5位，精度10位 float32 单精度浮点数：32位，正负号1位，指数8位，精度23位 float64或float 双精度浮点数：64位，正负号1位，指数11位，精度52位 complex64 复数，分别用两个32位浮点数表示实部和虚部 complex128或complex 复数，分别用两个64位浮点数表示实部和虚部

核心：基本索引及切片 / 布尔型索引及切片 ar = np.arange(20) print(ar) print(ar[4]) print(ar[3:6]) print('-----') # 一维数组索引及切片 ar = np.arange(16).reshape(4,4) print(ar, '数组轴数为%i' %ar.ndim)   # 4*4的数组 print(ar[2],  '数组轴数为%i' %ar[2].ndim)  # 切片为下一维度的一个元素，所以是一维数组 print(ar[2][1]) # 二次索引，得到一维数组中的一个值 print(ar[1:3],  '数组轴数为%i' %ar[1:3].ndim)  # 切片为两个一维数组组成的二维数组 print(ar[2,2])  # 切片数组中的第三行第三列 → 10 print(ar[:2,1:])  # 切片数组中的1,2行、2,3,4列 → 二维数组 print('-----'

 

numpy.random包含多种概率分布的随机样本，是数据分析辅助的重点工具之一 # 随机数生成 samples = np.random.normal(size=(4,4)) print(samples) # 生成一个标准正太分布的4*4样本值   # numpy.random.rand(d0, d1, ..., dn)：生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布 import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析 % matplotlib inline # 魔法函数，每次运行自动生成图表 a = np.random.rand() print(a,type(a))  # 生成一个随机浮点数 b = np.random.rand(4) print(b,type(b))  # 生成形状为4的一维数组 c = np.random.rand(2,3) print(c,type(c))  # 生成形状为2*3的二维数组，注意这里不是((2,3)) samples1 = np.random.rand(1000) samples2 = np.random.rand(1000) plt.scatter(samples1,samples2) # 生成1000个均匀分布的样本值   #  numpy.random.randn(d0, d1, ..., dn)：生成一个浮点数或N维浮点数组 —— 正态分布 samples1 = np.random.randn(1000) samples2 = np.random.randn(1000) plt.scatter(samples1,samples2) # randn和rand的参数用法一样 # 生成1000个正太的样本值   # numpy.random.randint(low, high=None, size=None, dtype='l')：生成一个整数或N维整数数组 # 若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数，且high必须大于low # dtype参数：只能是int类型   print(np.random.randint(2)) # low=2：生成1个[0,2)之间随机整数   print(np.random.randint(2,size=5)) # low=2,size=5 ：生成5个[0,2)之间随机整数 print(np.random.randint(2,6,size=5)) # low=2,high=6,size=5：生成5个[2,6)之间随机整数   print(np.random.randint(2,size=(2,3))) # low=2,size=(2,3)：生成一个2x3整数数组,取数范围：[0,2)随机整数 print(np.random.randint(2,6,(2,3))) # low=2,high=6,size=(2,3)：生成一个2*3整数数组,取值范围：[2,6)随机整数    # 随机种子    就是每次的随机数字都会发生变化，用这个呢   就可保留随机的值 # 计算机实现的随机数生成通常为伪随机数生成器，为了使得具备随机性的代码最终的结果可复现，需要设置相同的种子值 rng = np.random.RandomState(1)   xtrain = 10 * rng.rand(30) ytrain = 8 + 4 * xtrain + rng.rand(30) # np.random.RandomState → 随机数种子，对于一个随机数发生器，只要该种子（seed）相同，产生的随机数序列就是相同的 # 生成随机数据x与y # 样本关系：y = 8 + 4*x fig = plt.figure(figsize =(12,3)) ax1 = fig.add_subplot(1,2,1) plt.scatter(xtrain,ytrain,marker = '.',color = 'k') plt.grid() plt.title('样本数据散点图') # 生成散点图

 

数组形状改变（3种） # 数组形状：.T/.reshape()/.resize() # .T方法：转置，例如原shape为(3,4)/(2,3,4)，转置结果为(4,3)/(4,3,2) → 所以一维数组转置后结果不变 # numpy.reshape(a, newshape, order='C')：为数组提供新形状，而不更改其数据，所以元素数量需要一致！！ # numpy.resize(a, new_shape)：返回具有指定形状的新数组，如有必要可重复填充所需数量的元素。 # 注意了：.T/.reshape()/.resize()都是生成新的数组！！！   ar3 = ar1.copy() print(ar3 is ar1) ar1[0] = 9 print(ar1,ar3) # copy方法生成数组及其数据的完整拷贝 # 再次提醒：.T/.reshape()/.resize()都是生成新的数组！！！   # 数组类型转换：.astype() ar1 = np.arange(10,dtype=float) print(ar1,ar1.dtype) print('-----') # 可以在参数位置设置数组类型 ar2 = ar1.astype(np.int32) print(ar2,ar2.dtype) print(ar1,ar1.dtype) # a.astype()：转换数组类型 # 注意：养成好习惯，数组类型用np.int32，而不是直接int32   # 数组堆叠 a = np.arange(5)    # a为一维数组，5个元素 b = np.arange(5,9) # b为一维数组,4个元素 ar1 = np.hstack((a,b))  # 注意:((a,b))，这里形状可以不一样 print(a,a.shape) print(b,b.shape) print(ar1,ar1.shape) a = np.array([[1],[2],[3]])   # a为二维数组，3行1列 b = np.array([['a'],['b'],['c']])  # b为二维数组，3行1列 ar2 = np.hstack((a,b))  # 注意:((a,b))，这里形状必须一样 print(a,a.shape) print(b,b.shape) print(ar2,ar2.shape) print('-----') # numpy.hstack(tup)：水平（按列顺序）堆叠数组 a = np.arange(5)     b = np.arange(5,10) ar1 = np.vstack((a,b)) print(a,a.shape) print(b,b.shape) print(ar1,ar1.shape) a = np.array([[1],[2],[3]])    b = np.array([['a'],['b'],['c'],['d']])    ar2 = np.vstack((a,b))  # 这里形状可以不一样 print(a,a.shape) print(b,b.shape) print(ar2,ar2.shape) print('-----') # numpy.vstack(tup)：垂直（按列顺序）堆叠数组 a = np.arange(5)     b = np.arange(5,10) ar1 = np.stack((a,b)) ar2 = np.stack((a,b),axis = 1) print(a,a.shape) print(b,b.shape) print(ar1,ar1.shape) print(ar2,ar2.shape) # numpy.stack(arrays, axis=0)：沿着新轴连接数组的序列，形状必须一样！ # 重点解释axis参数的意思，假设两个数组[1 2 3]和[4 5 6]，shape均为(3,0) # axis=0：[[1 2 3] [4 5 6]]，shape为(2,3) # axis=1：[[1 4] [2 5] [3 6]]，shape为(3,2)   # 数组拆分 ar = np.arange(16).reshape(4,4) ar1 = np.hsplit(ar,2) print(ar) print(ar1,type(ar1)) # numpy.hsplit(ary, indices_or_sections)：将数组水平（逐列）拆分为多个子数组 → 按列拆分 # 输出结果为列表，列表中元素为数组 ar2 = np.vsplit(ar,4) print(ar2,type(ar2)) # numpy.vsplit(ary, indices_or_sections)：:将数组垂直（行方向）拆分为多个子数组 → 按行拆   # 数组简单运算 ar = np.arange(6).reshape(2,3) print(ar + 10)   # 加法 print(ar * 2)   # 乘法 print(1 / (ar+1))  # 除法 print(ar ** 0.5)  # 幂 # 与标量的运算 print(ar.mean())  # 求平均值 print(ar.max())  # 求最大值 print(ar.min())  # 求最小值 print(ar.std())  # 求标准差 print(ar.var())  # 求方差 print(ar.sum(), np.sum(ar,axis = 0))  # 求和，np.sum() → axis为0，按列求和；axis为1，按行求和 print(np.sort(np.array([1,4,3,2,5,6])))  # 排序 # 常用函数