Numpy 快速上手 Quickstar

Numpy Quickstar

0. 环境介绍

环境使用 Kaggle 里免费建立的 Notebook

教程使用 B 站 一位 UP 的 10分钟学会Numpy，然后我在此基础上做了一点补充。

小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。

1. 导入 numpy

# 如果是在自己电脑上进行操作，没有 numpy 可以使用以下命令安装模块
# !pip install numpy
import numpy as np

2. array 的创建

2.1 np.array()

np.array([[1, 2, 3], 
          [4, 5, 6], 
          [7, 8, 9]])

2.2 np.zeros 和 np.zeros_like()

创建一个全零矩阵：

np.zeros((3, 3))

创建一个指定矩阵相同形状的全零矩阵，下面的例子中 np.zeros_like(a) 就是创建一个与 a 矩阵相同形状的全零矩阵：

a = np.array([[1, 2, 3], 
              [4, 5, 6]])
np.zeros_like(a)

2.3 np.ones() 和 np.ones_like()

创建一个全 1 矩阵：

np.ones((3, 3))

创建一个指定矩阵相同形状的全 1 矩阵，下面的例子中 np.ones_like(a) 就是创建一个与 a 矩阵相同形状的全 1 矩阵，与 np.zeros_like() 的用法类似：

a = np.array([[1, 2, 3], 
              [4, 5, 6]])
np.ones_like(a)

2.4 np.empty() 和 np.empty_like()

不像 np.zeros() 和 np.ones() 创建矩需要用 0 和 1 进行初始值，np.empty() 不进行初始化，因此运行起来可能要快一点；
np.empty() 创建出来的矩阵中的值是无意义的数据，每次创建的值可能不一样：

np.empty((2, 3))

np.empty_like() 用法和与 np.zeros_like() 和 np.ones_like() 类似，就不赘述了。

2.5 np.full() 和 np.full_like()

np.full((3, 2), 0.5)

若指定的维度为一个标量，则输出 $1\times 标量值$ 的 array：

np.full(3, 2), np.full((3,), 2)

np.full_like() 用法与上面一致，不过多赘述。

2.6 np.eye()

创建一个单位矩阵：

np.eye(4)

2.7 np.arange()

创建一个 arrary，从 $10$ 开始迭代，范围 $[10,20)$，步长为 $2$：

np.arange(10, 20, 2)

2.8 np.linspace()

创建一个 arrary，将 $[10,20]$ 分成 $5$ 个值的等差数列：

np.linspace(10, 20, 5)

2.9 np.logspace()

创建一个 arrary，将 $[10^0,10^3]$ 分成 $4$ 个值的等比数列：

np.logspace(0, 3, 4, base=10)

2.10 np.diag()

若对矩阵使用，取对角线：

np.diag([[1, 2, 3], 
         [4, 5, 6],
         [7, 8, 9]])

若对 arrary 使用，创建 arrary 维的对角矩阵，其对角线为 arrary 中的数：

np.diag([1, 2, 3])

2.11 np.tri()

创建一个下三角为 1 的矩阵：

np.tri(3)

2.12 np.vander()

生成特定的范德蒙数组：

np.vander([1, 2, 3, 4, 5])

2.13 np.arange()

给定数值范围生成 array：

np.arange(12)

3. array 属性

3.0 用于展示的例子

a = np.array([[1, 2, 3, 4], 
              [5, 6, 7, 8],
              [9, 10,11,12]])
a

3.1 shape

array 的形状：

a.shape

3.2 size

array 的元素个数：

a.size

3.3 T

array 的转置：

a.T

3.4 real 和 imag

array 的实部和虚部（因为全是实数所以虚部都为 0）：

a.real, a.imag

4. array 操作

4.0 用于展示的例子

a = np.array([[1, 2, 3, 4], 
              [5, 6, 7, 8],
              [9, 10,11,12]])
a

4.1 copy()

不用 copy()，直接使用 = 赋值后的结果：

# 直接赋值给 a_cp
a_cp = a
# 更改
a_cp[0, 0] = 99
a, a_cp

修改数组 a_cp，原数组 a 同时发生改变。

使用 copy() 后的结果：

a_cp = a.copy()
a_cp[0, 0] = 99
a, a_cp

修改数组 a_cp，原数组 a 不变。

与 pytorch 对比： pytorch 中的 tensor 变量可以使用 clone() 实现 numpy 中 copy() 相同的效果。

4.2 reshape()

改变数组的形状：

a.reshape(2, 6)

4.3 resize()

改变数组的形状，和 reshape() 不同，resize() 直接改变原数组，没有返回值；
reshape() 不会改变原数组，而是返回一个原数组改变形状后的的 copy()：

a.resize(2, 6), a

4.4 flatten()

将 array 拉平为一个向量：

a, a.flatten()

4.5 max(), min(), mean(), var(), std()

求数组的的最大值，最小值，平均数，方差，标准差：

a.max(), a.min(), a.mean(), a.var(), a.std()

还可以指定维度 axis：

a.max(axis=0), a.min(axis=1, keepdims=True), a.mean(axis=0), a.var(axis=1), a.std(axis=1)

keepdims=True 参数可以使数组保持原来的维度输出。

5. array 索引

5.0 用于展示的例子

a = np.array([[1, 2, 3, 4], 
              [5, 6, 7, 8],
              [9, 10,11,12]])
a

5.1 切片

想要在每个维度上取得得索引用 : 隔开，: 之前缺省为 $0$，: 之后缺省为该维度的长度；索引 b:e 的取值范围为 [b, e)

a, a[0:3, 0:2], a[-2:,:2]

5.2 键对索引

a, a[1, 1], a[[1, 2], [1, 3]]

5.3 np.ix_()

有时候我们想取自定义列和自定义行的数据怎么办？
假设想取行索引为 $1$ 和 $2$ ，列索引为 $1$ 和 $3$ 的数据。
通过 5.2 节可以看到 a[[1, 2], [1, 3]] 这样取值是不行的，这时候就得用 ix_() 函数：

a, a[np.ix_([1, 2], [1, 3])]

5.4 np.nditer()

nditer() 可以用于迭代：

print(a)

for i in a:
    print(i, end=' ')
    
print('\n')

for i in np.nditer(a):
    print(i, end=' ')
    
print('\n')

for i in np.nditer(a, order='F'):
    print(i, end=' ')

order='F' 参数可以定义以不同的顺序读取。

6. array 的拼接拆分

6.0 用于展示的例子

a = np.arange(12).reshape(3, 4)
b = np.arange(0, 120, 10).reshape(3, 4)
a, b

6.1 vstack()

v 指的是 vertical（垂直），将矩阵在垂直方向上拼接起来：

np.vstack([a, b])

6.2 hstack()

h 指的是 horizontal（水平），将矩阵在水平方向上拼接起来：

np.hstack([a, b])

6.3 stack()

在指定维度上进行拼接：

c = np.stack([a, b], axis=1)
c, c.shape

axis 参数用于指定在哪个维度进行堆叠，缺省为 $0$。

6.4 vsplit()

垂直方向上拆分 array 为指定的份数：

d = np.arange(16).reshape(4, 4)
d, np.vsplit(d, 2)

**补充：**要注意 vsplit()，hsplit()，split() 的返回值是 python 的 list。

6.5 hsplit()

水平方向上拆分 array 为指定的份数：

d, np.hsplit(d, 2)

6.6 split()

指定维度上对 array 拆分为指定的份数：

d, np.split(d, 2, axis=1)

7. 数学和统计函数

7.1 三角函数

不限于下面这些：

np.sin(10), np.cos(10), np.tan(10)

7.2 数学函数

不限于下面这些：

np.exp(1), np.log(np.e), np.log2(16)

7.2 argmax() 和 argmin()

argmax() 和 argmin() 分别表示沿给定维度返回最大和最小元素的索引：

t = np.array([[2, 1, 3], 
              [4, 9, 0],
              [15,8, 7]])
t, np.argmax(t, axis=1), np.argmin(t, axis=1)

7.3 amin() 和 amax()，max() 和 min()

amin() 和 amax() 实现的效果与 max() 和 min() 一样：

t, np.max(t, axis=1, keepdims=True), np.amax(t, axis=1, keepdims=True)

t, np.min(t, axis=1, keepdims=True), np.amin(t, axis=1, keepdims=True)

7.4 ptp()

计算数组中元素最大值与最小值的差（可以指定维度）：

t, np.ptp(t), np.ptp(t, axis=0), np.ptp(t, axis=1)

7.5 percentile() 和 nanpercentile()

计算数组中的指定的分位数（可以指定维度）：
指定 $50$ 表示计算中位数：

a, np.percentile(a, 50),  np.percentile(a, 50, axis=1)

当数组中有 np.nan 值时使用 nanpercentile() 即可。

7.6 median(), mean(), std(), var()

median() mean(), std(), var() 分别表示计算数组的中位数，平均值，标准差，方差（都可以指定维度）：

a, np.median(a), np.mean(a, axis=0), np.std(a), np.var(a, axis=1, keepdims=True)

7.7 average()

可以指定权重，计算数组加权平均值：

k = np.array([1, 2, 3, 4])
wts = np.array([4, 3, 2, 1])
k, np.average(k), np.average(k, weights=wts), (1*4+2*3+3*2+4*1)/(4+3+2+1)