NumPy 库的基本使用

以下为 numpy 的基本使用
详细的使用手册可以参考 NumPy Documentation

1. numpy 对象的属性

a.shape: the dimensions of the array.
a.ndim: the number of axes (dimensions) of the array.
a.dtype: an object describing the type of the elements in the array.
a.size: the total number of elements of the array.

import numpy as np

a = np.arange(15).reshape(3, 5)
print(a)
print(a.shape)	# (3, 5)
print(a.ndim)	# 2
print(a.dtype)	# int32
print(a.size)	# 15
print(a.itemsize)	# 4
print(type(a))	# <class 'numpy.ndarray'>

---

2. Array Creation

2.1 np.array

利用 numpy 的 array 函数可以将 list 或 tuple
可以指定数据的类型：

b = np.array([1, 2, 3], dtype=np.float32)
c = np.array([1+2j, 3j, 5], dtype=complex)

默认的浮点数类型为 np.float64，默认的整型类型为 np.int32，默认的复数类型为 np.complex28

2.2 sequences

也可以利用现有的函数构造 Array：

np.ones((2, 3))
np.zeros((2, 3))

# create sequences of numbers
np.arange(0, 5, 0.5)
np.linspace(0, 2*np.pi, 10).reshape(2, 5)

2.3 np.random

利用 numpy.random 的函数可以产生随机数：

np.random.rand(2, 3)	# [0, 1] 均匀分布 大小为 2 x 3
np.random.randn(2, 3)	# [0, 1] 正态分布
np.random.randint(0, 5, (3, 4))	# [0, 5) 均匀分布

---

3. print Array

多维的元素布局方式如下：

1. 最后一维的数据从左至右排列
2. 其余维度从上到下排列

如 reshape(2, 3, 4) 将数组变换为 2层 3行 4列的矩阵：

import numpy as np
a = np.arange(24).reshape(2, 3, 4)
print(a)

结果如下：

[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

---

4. Basic Operation

4.1 常见算数运算

numpy 数组支持常用的算术运算，结果存储在新的数组中：

import numpy as np

a = np.arange(4).reshape(2, 2)
print(a**2)
print(np.exp(a))
print(2*np.sin(a))
print(np.sqrt(np))

使用 +=, -=, *= 会将计算结果覆盖到原始数组中

---

4.2 multiply

* 会将所有元素按元素位置逐个相乘
@ 为常见的矩阵运算
.dot() 与 @ 运算结果一样

import numpy as np

a = np.arange(4).reshape(2, 2)
b = np.ones((2, 2))
print(a * b)
print(a @ b)
print(a.dot(b))

结果如下：

[[0. 1.]
 [2. 3.]]
[[1. 1.]
 [5. 5.]]
[[1. 1.]
 [5. 5.]]

---

4.3 Universal functions

import numpy as np

a = np.arange(10).reshape(2, 5)
print(a)
print(a.max())
print(a.max(axis=0)) # [5 6 7 8 9]
print(a.max(axis=1)) # [4 9]

a.sort()	# 排序
print(a)

通过指定 axis 的值可以在特定的维度上操作，axis=0 代表对最外层（第一层 [] 内的元素，其中每一个元素可能为一个矩阵）的元素操作，axis=1 代表对第二层元素操作，如：

import numpy as np

a = np.arange(24).reshape(2, 3, 4)
print(a)
print(a.sum(axis=0))
print(a.sum(axis=1))
print(a.sum(axis=2))

axis=0时，对两个大小均为 (2, 3) 的矩阵求和，得到大小为 (2, 3) 的矩阵；
axis=1时，对两个大小均为 (2, 3) 的矩阵中的所有行求和，得到大小为 (2, 4) 的矩阵；
axis=0时，对两个大小均为 (2, 3) 的矩阵中 3 个行矩阵的内部元素求和，得到大小为 (2, 3) 的矩阵；

结果如下：

[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]
  
 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
  
[[12 14 16 18]
 [20 22 24 26]
 [28 30 32 34]]
 
[[12 15 18 21]
 [48 51 54 57]]
 
[[ 6 22 38]
 [54 70 86]]

---

4.4 Index, slice, iterate

可以使用下表访问元素，可以截取片段，也可以按一定间隔选取元素：

import numpy as np

a = np.arange(0, 15)
print(a)
print(a[3:9]) 		# [3 4 5 6 7 8]
print(a[ : :3])		# [ 0  3  6  9 12]
print(a[ : : -1])	# reverse

for element in a:
	print(element)

对于多维数组，支持同样的操作：

b = np.arange(25).reshape(5, 5)
print(b[2])		# row = 2
print(b[ :, : : -1])	# reverse each row

当数组有多维时，选取一部分可以使用 ... 替代多个 : : :，如下面的语句等价：

a = np.ones((2, 3, 4))
print(a[1, ...])
print(a[1, :, :])

多维矩阵也支持遍历，遍历从外到内：

import numpy as np

a = np.ones((3, 5))
for row in a:
	print(row)

结果如下：

[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]

---

5. 拆分与合并

5.1 change shape

可以通过转置 T 或 reshape 改变矩阵的现状：

import numpy as np

a = np.ones((3, 5))
print(a.shape)		# (3, 5)
print(a.T.shape)	# (5, 3)
a = a.reshape(1, 15)	
print(a.shape)		# (1, 15)

5.2 数组合并

可以用 concatenate 合并数组，参数 axis 为 0 时按行合并，

import numpy as np

arr1 = np.array([[1,2,3], [4,5,6]])
arr2 = np.array([[7,8,9], [10,11,12]])
data = np.concatenate([arr1, arr2], axis=0)
print(data)

5.3 数组拆分

语法：split(ary, indices_or_sections, axis=0)

import numpy as np

a = np.arange(8).reshape(2, 4)
print(np.split(a, 2, 0))	# 按行分为 2 份
print(np.split(a, 4, 1))	# 按列分为 4 份

---

6. copy

复制 numpy 矩阵的方法有两类，浅拷贝与深拷贝
numpy 矩阵的变量名存储了矩阵内存地址的首地址，将矩阵变量名赋值给另一个变量后，实际上是一个矩阵的两个名字：

a = np.array([1, 2, 3, 4])
b = a
print(b is a)	# equivalent
print(id(a), id(b))

但通过 array.copy() 可以深拷贝内存数据，得到一个新的矩阵：

c = np.array([1, 2, 3, 4])
d = c.copy()
print(c is d)
print(id(c), id(d))