Numpy入门

Numpy入门

数据维度：

一组数据的组织形式

一维数据

• 对等关系

• 有序或无序

• 线性的方式组织

对应列表、数组、集合等概念（在Python基础数据类型中没有数组类型，在Numpy库中，定义了数组ndarray类）

列表与数组的异同：

​ 同：都表示为一维数组的有序结构

​ 异：列表中可以有不同数据类型的数据

​ 数组中的数据类型必须相同（ndarray类中定义的数组可以存取不同数据类型的数据，但一般情况下数据类型相同）

二维数据

• 由多个一维数据构成
• 一维数据的组合形式

表格为典型的二维数据结构

二维数据可用列表表示

多维数据

• 由一维或二维数据在新维度上扩展形成

比如，在一张数据表上增加时间维度

同样可用列表的套嵌表示

高维数据：

• 仅利用最基本的二元关系（字典）展示数据间的复杂结构
• 可用键值树表示

Numpy的数组对象：ndarray

ndarray的优势：

• 数组对象可以去掉元素间运算所需要的循环，使一维向量更像单个数据
• 设置专门的数组对象，经过优化可以提升这类应用的运算速度（底层由C语言实现）
• 数组对象采用相同的数据类型，有助于节省运算和存储空间

ndarray是一个多维数组对象，由两部分构成:

• 实际的数据
• 描述这些数据的元数据（数据维度、数据类型等）

ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始（这与列表类型相同）

一般通过

import numpy as np

引入Numpy库，并简称为np

可通过np.array()生成ndarray数组

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

np.array（）输出成 [ ] 形式，元素有空格分隔

在ndarray数组中有两个概念：

• 轴（axis）：保存数据的维度
• 秩（rank）：轴的数量

ndarray属性：

属性	描述
ndim	秩，及轴的数量或维度数量
shape	对象的尺度，对于矩阵即n行m列,返回元组
size	对象元素的个数，相当于n*m
dtype	对象的元素类型
itemsize	对象中每个元素的大小，以字节表示

In [21]: a= np.array([[1,2,3,4,5],[6,7,8,9,10]])

In [22]: a.ndim
Out[22]: 2

In [23]: a.shape
Out[23]: (2, 5)

In [24]: a.size
Out[24]: 10

In [25]: a.dtype
Out[25]: dtype('int32')

In [26]: a.itemsize
Out[26]: 4

注：Numpy中存在有其自己定义的数据类型，大致与Python中的数据类型相同

ndarray数组的创建和变换

ndarray数组的创建方法：

1. 从Python中列表、元组等类型创建ndarray数组

   np.array( list/tuple , dtype = np.float32 )

   In [27]：a = np.array([[0,1,2,3,4,],[5,6,7,8,9]],dtype=np.float32)
   
   In [28]：a
   Out[28]: 
   array([[0., 1., 2., 3., 4.],
          [5., 6., 7., 8., 9.]], dtype=float32)
   

2. 使用Numpy中的函数创建ndarray数组

   方法	描述
   np.arange(n)	类似range（）函数，返回ndarray数组，[0,n)
   np.ones(shape)	根据shape生成一个全1数组，shape为元组
   np.zeros(shape)	根据shape生成一个全0数组，shape为元组
   np.full(shape,val)	根据shape生成一个全为val的数组，shape为元组
   np.eye(n)	创建一个正方向n*n的单位矩阵
   np.ones_like(a)	根据数组a生成一个全1数组，shape为元组
   np.zeros_like(a)	根据数组a生成一个全0数组，shape为元组
   np.full_like(a,val)	根据数组a生成一个全为val的数组，shape为元组
   np.linspace()	根据起止数据，等间距填充数据
   np.concatenate()	将两个或多个数组合并成一个新数组

3. 从字节流（raw bytes）中创建ndarray数组

4. 从文件中读取特定格式，创建ndarray

ndarray数组的变换：

对于创建后的ndarray数组，可对其进行维度变换和元素类型变换

方法	描述
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与np.reshape（）功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中的两个维度进行调换
.flatten()	对数据进行降维，返回折叠后的一维数组
.astype(new_type)	改变数据类型
.tolist()	转换为列表

对数组的操作

一维数组的索引与切片:

• 索引：

​ 与Python列表类似

//使用np.arange()创建数组
In [9]：a = np.arange(0,23,2)

In [10]：a
Out[10]: array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18, 20, 22])
    
//对数组a进行索引，从0开始
In [11]：a[0]
Out[11]: 0
//同样存在负数的索引
In [12]：a[-1]
Out[12]: 22

• 切片：

  同样与Python列表类似

In [13]：a[0:10:2]
Out[13]: array([ 0,  4,  8, 12, 16])

In [14]：a[::-1]
Out[14]: array([22, 20, 18, 16, 14, 12, 10,  8,  6,  4,  2,  0])

多维数组的索引与切片：

• 索引

  根据维度从里到外索引

  每个维度用“，”风隔

  同样从0开始

//创建形状（2,3,4）的3维数组
In [2]：a = np.arange(0,24).reshape(2,3,4)
In [3]：a
Out[3]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

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

In [4]：a[0,2,2]						//索引
Out[4]: 10							//根据索引返回值

• 切片

  每个维度切片用“，”风隔

  可对每个维度单独切片

  选去整个维度可用“：”，这与Python列表选取整个列表相同

  每个维度可用步长跳跃切片

//创建形状（2,3,4）的3维数组
In [2]：a = np.arange(0,24).reshape(2,3,4)		
In [3]：a
Out[3]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
//对每个维度切片
In [5]：a[:,1:2,:1]
Out[5]: 
array([[[ 4]],

       [[16]]])

//使用“：”选取整个维度，不对其切片
In [6]：a[:,:,0:3]
Out[6]: 
array([[[ 0,  1,  2],
        [ 4,  5,  6],
        [ 8,  9, 10]],

       [[12, 13, 14],
        [16, 17, 18],
        [20, 21, 22]]])

//使用步长跳跃切片
In [7]：a[:,0::2,0::2]
Out[7]: 
array([[[ 0,  2],
        [ 8, 10]],

       [[12, 14],
        [20, 22]]])

PS：对多维数组的切片有点绕，不过仔细想想就明白了

ndarray数组运算

数组与标量之间的运算

• 数组与标量之间的运算作用于数组的每个元素
• .mean（）计算数组平均值（即数组中每个元素之和 / 元素个数）

//创建形状（2,3,4）的3维数组
In [16]：a = np.arange(0,24).reshape(2,3,4)
In [17]：a
Out[17]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

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

//计算平均值
In [18]：a.mean()
Out[18]: 11.5
    
//每个元素都乘以4   
In [19]：a*4
Out[19]: 
array([[[ 0,  4,  8, 12],
        [16, 20, 24, 28],
        [32, 36, 40, 44]],

       [[48, 52, 56, 60],
        [64, 68, 72, 76],
        [80, 84, 88, 92]]])

Numpy一元函数

• 对ndarray中的数据执行元素级运算的函数，即对每个元素都进行运算，返回结果

函数	说明
np.abs(x)	计算数组各元素的绝对值
np.fabs(x)	计算数组各元素的绝对值
np.square(x)	计算数组各元素的平方值
np.log(x)	计算数组各元素的自然对数
np.log10(x)	计算数组各元素的以10为底的对数
np.log2(x)	计算数组各元素的以2为底的对数
np.ceil(x)	计算数组各元素的大于其元素的最小整数值
np.floor(x)	计算数组各元素的小于其元素的最大整数值
np.rint(x)	将数组各元素四舍五入
np.modf(x)	将各元素的小数和整数部分已两个独立数组返回
np.cos(x)	计算数组各元素的cos值
np.sin(x)	计算数组各元素的sin值
np.tan(x)	计算数组各元素的tan值
np.cosh(x)	计算数组各元素的双曲型三角函数cosh值
np.sinh(x)	计算数组各元素的双曲型三角函数sinh值
np.tanh(x)	计算数组各元素的双曲型三角函数tanh值
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，正为1，其他为0
np.sqrt(x)	平方根

Numpy二元函数

函数	说明
+ - * / **	两个数组各元素进行对应运算
np.maximum(x,y)	元素级的最大值计算
np.fmax(x,y)	元素级的最大值计算
np.minimum(x,y)	元素级的最小值计算
np.fmin(x,y)	元素级的最小值计算
np.mod(x,y)	元素级的模运算
np.copysign(x,y)	将数组y中各元素值得符号赋值给数组x对应元素
> < >= <= == !=	算数比较，产生布尔型数组

注：不管对数组进行一元二元还是与标量之间的计算，只要返回的结果是数值型，返回数组的数据类型都为float64

如：

In [25]：a = np.arange(0,24).reshape(2,3,4)

//a的数据类型为‘int32’
In [26]：a.dtype
Out[26]: dtype('int32')

//对数组a进行开平方操作，得到数组b
In [27]：b = np.sqrt(a)

In [28]：b
Out[28]: 
array([[[0.        , 1.        , 1.41421356, 1.73205081],
        [2.        , 2.23606798, 2.44948974, 2.64575131],
        [2.82842712, 3.        , 3.16227766, 3.31662479]],

       [[3.46410162, 3.60555128, 3.74165739, 3.87298335],
        [4.        , 4.12310563, 4.24264069, 4.35889894],
        [4.47213595, 4.58257569, 4.69041576, 4.79583152]]])

//对数组a与数组b比较其大小
In [29]：c = np.fmax(a,b)

In [30]：c
Out[30]: 
array([[[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]],

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

//得到的结果的数据类型不是数组a的‘int32’,而是‘float64’
In [31]：c.dtype
Out[31]: dtype('float64')

给一个Numpy中文手册的连接