科学计算NumPy

最新推荐文章于 2022-08-28 19:10:04 发布

aW5jaXBl

最新推荐文章于 2022-08-28 19:10:04 发布

阅读量282

点赞数

分类专栏： # Python

本文链接：https://blog.csdn.net/qq_43826212/article/details/108111693

版权

Python 专栏收录该内容

19 篇文章 0 订阅

订阅专栏

什么是Numpy

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

一个强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能

使用

Ⅰ. 创建ndarray

调用 array() 方法即可。

def array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

参数：

object 数组或嵌套的数列。
dtype 数组元素的数据类型。
copy 对象是否需要复制。
order 创建数组的样式,，C为行方向，F为列方向，A原顺序，K元素在内存中的出现顺序。
subok 默认返回一个与基类类型一致的数组。
ndmin 指定生成数组的最小维度。

还可以使用：

numpy.arange(12) # 创建一个一维数组。
`# array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])`

numpy.arange(12).reshape(3, 4)  # 创建一个3行4列的数组。
"""
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
"""

numpy.arange(12).reshape(2, 2, 3) # 创建一个三维数组
"""
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])
"""

怎么理解三维数组，简单的来说，我们把第一维看成数组分成了多少块，第二维就是每块有机房，第三维就是有几列。

Ⅱ. 查看数据类型

调用方法 dtype 即可。

t1 = np.arange(18).reshape(3, 3, 2)
t1.detype
"""
dtype('int64')
"""

更多数据类型请参考 numpy中文网

Ⅲ. 查看数组维度

调用 shape 方法即可。

import numpy as np
t1 = np.array([[1, 2, 3], [4, 5, 6]])
t1.shape
# (2, 3)

shape 方法给我们返回一个元组。

调用 reshape() 方法改变数组形状。

t2 = t1.reshape(3, 2)
"""
array([[1, 2],
       [3, 4],
       [5, 6]])
"""

调用 reshape() 方法后，原来的数组形状是不变的，返回值返回变形后的新数组。

把数组转化为一维数组。

t3 = t2.flatten()
"""
array([1, 2, 3, 4, 5, 6])
"""

还可以用

t4 = t2.reshape(6,)
"""
array([1, 2, 3, 4, 5, 6])
"""

或者

t5 = t2.reshape(t2.shape[0] * t2.shape[1], )  
"""
array([1, 2, 3, 4, 5, 6])
"""

因为 shape 方法返回一个 tuple 所以第一个是行，第二个是列，行×列就是数组总个数。

转换成二维，三维方法一样 t.reshape(2, 3) 把数组 t 转化为2行3列的数组。

Ⅳ. 数组的计算

数组与数字

数字和数组里面的每个数字相加、相减、相乘、相除。

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

注意，这里除0，只会有警告，不会报错。

t = np.array([0, 1, 2]) 
t /= 0
# array([nan, inf, inf])

这里的 nan 是由0除0产生的，即 not a number 不是一个数字

这里的 inf 是由其它数字除0产生的，即无穷的意思。

数组与数组

当数组形状一样的时候，加减乘除都是对应位置的元素进行计算。

t1 = np.arange(12).reshape(3, 4) 
t2 = np.arange(100, 112).reshape(3, 4)   
t1 + t2 
"""
array([[100, 102, 104, 106],
       [108, 110, 112, 114],
       [116, 118, 120, 122]])
"""

数组形状不一样时，如果两个数组的后缘维度(从后面开始算起的维度)的轴长度相符或其中一方长度为1时，是广播相容的。

比如，(3, 4)和 (4,)是可以计算的；(2, 3, 4)和(1, 3, 4)是可以计算的。

t1 = np.arange(12).reshape(3, 4) 
"""
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
"""
t3 = np.arange(4)
# array([0, 1, 2, 3])
t1 + t3
"""
array([[ 0,  2,  4,  6],
       [ 4,  6,  8, 10],
       [ 8, 10, 12, 14]])

"""

或者

t1 = np.arange(12).reshape(3, 4) 
"""
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
"""
t4 = np.arange(3).reshape(3, 1) 
"""
array([[0],
       [1],
       [2]])
"""
t1 + t4
"""
array([[ 0,  1,  2,  3],
       [ 5,  6,  7,  8],
       [10, 11, 12, 13]])
"""

Ⅴ. 读取数据

这个功能用的不多，因为 pandas 太强了。

import numpy as np
np.loadtxt(frame, dtype=float, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding='bytes', max_rows=None)

参数：

frame 文件，字符串或者产生器，一般是文件的绝对路径或者相对路径。
dtype 数据类型、文件的字符串以什么数据类型读入数组中。
comments 跳过文件中指定参数开头的行。
delimiter 读取文件中数据的分隔符。
converters 对读取的数据进行预处理。
skiprows 选择跳过的行数，一般跳过第一行表头。
uescols 指定需要读取的列。
unpack 如果为True，读入属性将分别写入不同数组变量，False读入数据只写入一个数组变量。就是转置的意思。
encoding 对读取文件进行预编码。
max_rows 最大读取行数。

Ⅵ. 数组的转置

一维数组不需要转置。

二维数组转置

import numpy as np
t1 = np.arange(24).reshape(4, 6)
t2 = t1.T
"""
array([[ 0,  6, 12, 18],
       [ 1,  7, 13, 19],
       [ 2,  8, 14, 20],
       [ 3,  9, 15, 21],
       [ 4, 10, 16, 22],
       [ 5, 11, 17, 23]])
"""
t3 = t1.transpose()
"""
array([[ 0,  6, 12, 18],
       [ 1,  7, 13, 19],
       [ 2,  8, 14, 20],
       [ 3,  9, 15, 21],
       [ 4, 10, 16, 22],
       [ 5, 11, 17, 23]])
"""

三维及三维以上。

t4 = np.arange(16).reshape(2, 2, 4) 
t4.transpose((1, 0, 2)) 
"""
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])
"""
t4.swapaxes(1, 0)  
"""
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])
"""

transpose() 接受一个元组，原来的轴是 (0, 1, 2) 通过 transpose() 方法把原来的 0 轴变成了 1 轴。

三维的数组的轴，就看成一个 xyz 坐标系即可。x 轴对应于 0 轴，y 轴对应于 1 轴，z 轴对应于 2 轴。

Ⅶ. numpy索引和切片

取行

import numpy as np
t = np.arange(24).reshape(4, 6)
"""
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]])
"""
t[1] # t[1, :]
"""
array([0, 1, 2, 3, 4, 5])
"""
t[1::] # t[1::, :]
"""
array([[ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])
"""
t[[1, 3]] # t[[1, 3], :]
"""
array([[ 6,  7,  8,  9, 10, 11],
       [18, 19, 20, 21, 22, 23]])
"""

取列

t[:,2]
"""
array([ 2,  8, 14, 20])
"""
# 取列[:,2]前面的:不能省略, 表示所有行都要
t[:, 2::]  
"""
array([[ 2,  3,  4,  5],
       [ 8,  9, 10, 11],
       [14, 15, 16, 17],
       [20, 21, 22, 23]])

"""
t[:, [1, 2, 3]]                                                                                               
"""
array([[ 1,  2,  3],
       [ 7,  8,  9],
       [13, 14, 15],
       [19, 20, 21]])
"""

同时取行和列

t[2,3]
# 15 表示取3行4列的元素
t[1:3,2:5] 
"""
array([[ 8,  9, 10],
       [14, 15, 16]])
"""
t[[0, 1, 2], [2, 3, 4]] 
"""
array([ 2,  9, 16])
"""

Ⅷ. 修改数组值

t < 10
"""
array([[ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True, False, False],
       [False, False, False, False, False, False],
       [False, False, False, False, False, False]])
"""
t[t < 10] = 100
"""
array([[100, 100, 100, 100, 100, 100],
       [100, 100, 100, 100,  10,  11],
       [ 12,  13,  14,  15,  16,  17],
       [ 18,  19,  20,  21,  22,  23]])
"""
t = np.arange(24).reshape(4,6) 
"""
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]])
"""
np.where(t < 10, 0, 100)
"""
array([[  0,   0,   0,   0,   0,   0],
       [  0,   0,   0,   0, 100, 100],
       [100, 100, 100, 100, 100, 100],
       [100, 100, 100, 100, 100, 100]])
"""
t = np.arange(24).reshape(4,6) 
t.clip(10, 18) 
"""
array([[10, 10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 18, 18, 18, 18, 18]])
小于10的替换成10，大于18的替换为18，不能替换nan
"""
t = t.astype(float)
"""
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.]])
"""
t[3, 3] = np.nan
"""
array([[ 0.,  1.,  2.,  3.,  4.,  5.],
       [ 6.,  7.,  8.,  9., 10., 11.],
       [12., 13., 14., 15., 16., 17.],
       [18., 19., 20., nan, 22., 23.]])
"""
t.clip(10, 18)
"""
array([[10., 10., 10., 10., 10., 10.],
       [10., 10., 10., 10., 10., 11.],
       [12., 13., 14., 15., 16., 17.],
       [18., 18., 18., nan, 18., 18.]])
"""

Ⅸ. nan特性

两个 nan 是不相等的。

np.nan == np.nan                                                                                            
# False

根据这个特性，判断一个数组中有多少个 nan

t                                                                                                
"""
array([[ 0.,  1.,  2.,  3.,  4.,  5.],
       [ 6.,  7.,  8.,  9., 10., 11.],
       [12., 13., 14., 15., 16., 17.],
       [18., 19., 20., nan, 22., 23.]])
"""
np.count_nonzero(t!=t)
# 1

判断一个数字是不是 nan

np.isnan(t[3, 3])
# True
np.isnan(t)
"""
array([[False, False, False, False, False, False],
       [False, False, False, False, False, False],
       [False, False, False, False, False, False],
       [False, False, False,  True, False, False]])
"""
t[np.isnan(t)] = 0 
"""
array([[ 0.,  1.,  2.,  3.,  4.,  5.],
       [ 6.,  7.,  8.,  9., 10., 11.],
       [12., 13., 14., 15., 16., 17.],
       [18., 19., 20.,  0., 22., 23.]])
"""

nan 与任何值计算都为 nan

t                                                                                                
"""
array([[ 0.,  1.,  2.,  3.,  4.,  5.],
       [ 6.,  7.,  8.,  9., 10., 11.],
       [12., 13., 14., 15., 16., 17.],
       [18., 19., 20., nan, 22., 23.]])
"""
t.sum() # np.sum(t)
# nan
np.sum(t, axis=0)
"""
array([36., 40., 44., nan, 52., 56.])
"""

求和 np.sum() 方法里的参数 axis 表示轴的意思，一维数组一个轴，就是 0 二维数组两个轴 0, 1 三维数组三个轴 0, 1, 2

Ⅹ. numpy中常用的统计函数

求和 np.sum(a, axis=None)
均值 np.mean(a, axis=None)
中值 np.median(a, axis=None)
最大值 np.max(a, axis=None)
最小值 np.min(a, axis=None)
极差 np.ptp(a, axis=None)
标准差 np.sed(a, axis=None)

标准差公式 $\sigma = \sqrt{\frac{1}{N} \sum_{i=1}^{N}(x_i - \mu)^2}$

这里都只列举的两个参数，更多参数作用可以参考源代码。

Ⅺ. 数组的拼接

竖直拼接

t1 = np.arange(24).reshape(4, 6)
"""
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]])
"""
t2 = np.arange(24, 48).reshape(4, 6)  
"""
array([[24, 25, 26, 27, 28, 29],
       [30, 31, 32, 33, 34, 35],
       [36, 37, 38, 39, 40, 41],
       [42, 43, 44, 45, 46, 47]])
"""
np.vstack((t1, t2)) 
"""
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],
       [24, 25, 26, 27, 28, 29],
       [30, 31, 32, 33, 34, 35],
       [36, 37, 38, 39, 40, 41],
       [42, 43, 44, 45, 46, 47]])
"""

水平拼接

np.hstack((t1, t2))
"""
array([[ 0,  1,  2,  3,  4,  5, 24, 25, 26, 27, 28, 29],
       [ 6,  7,  8,  9, 10, 11, 30, 31, 32, 33, 34, 35],
       [12, 13, 14, 15, 16, 17, 36, 37, 38, 39, 40, 41],
       [18, 19, 20, 21, 22, 23, 42, 43, 44, 45, 46, 47]])
"""

XII. 其他方法

获取最大最小值位置，np.argmax(a, axis=None) np.argmin(a, axis=None)
创建一个全为0的数组，np.zeros((行, 列))
创建一个全为1的数组，np.ones((行, 列))
创建一个对角线为1的正方形数组(方阵)，np.eys(3)

生成随机数

np.random.rand(d0, d1, d2, ... , dn) n维度均匀分布随机数组，范围 0 ~ 1
np.random.randn(d0, d1, d2, ... , dn) n维度正态分布随机数组，平均数0，标准差1
np.random.randint(low, high, (行, 列)) 范围 [low, high)
np.random.uniform(low, high, (行, 列) 浮点数
np.random.normal(loc, scale, (行, 列)) 指定正态分布抽取样本，分布中心 loc ，标准差 scale
np.random.seed() 随机种子，c/c++常用操作 srand((unisgned)time(NULL))

aW5jaXBl

关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
科学计算NumPy

什么是NumpyNumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：一个强大的N维数组对象 ndarray广播功能函数整合 C/C++/Fortran 代码的工具线性代数、傅里叶变换、随机数生成等功能使用Ⅰ. 创建ndarray调用 array() 方法即可。def array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)参数：object 数组或嵌套的数列。dtype 数组元
复制链接

扫一扫