NumPy教程

目录

一.NumPy是什么

NumPy应用场景

二.NumPy下载与安装

Linux系统安装

三.NumPy ndarray对象

创建ndarray对象

ndim查看数组维数

---

一.NumPy是什么

NumPy 的全称是“ Numeric Python”，它是 Python 的第三方扩展包，主要用来计算、处理一维或多维数组。
在数组算术计算方面， NumPy 提供了大量的数学函数。NumPy 的底层主要用 C语言编写，因此它能够高速地执行数值计算。NumPy 还提供了多种数据结构，这些数据结构能够非常契合的应用在数组和矩阵的运算上。

随着数据科学（Data Science，简称 DS，包括大数据分析与处理、大数据存储、数据抓取等分支）的蓬勃发展，像 NumPy、SciPy（Python科学计算库）、Pandas（基于NumPy的数据处理库） 等数据分析库都有了大量的增长，它们都具有较简单的语法格式。

在矩阵乘法与数组形状处理上，NumPy 有着非常不错的性能，再加上 NumPy 的计算速度很快，这些都是 NumPy 成为一款数据分析工具的重要原因。

数组形状可以理解为数组的维度，比如一维数组、二维数组、三维数组等；以二维数组为例，改变数组形状就是交换数组的行和列，也即将数组旋转 90 度。

NumPy 可以很便捷高效地处理大量数据，那么使用 NumPy 做数据处理有哪些优点呢？总结如下：

• NumPy 是 Python 科学计算基础库；
• NumPy 可以对数组进行高效的数学运算；
• NumPy 的 ndarray 对象可以用来构建多维数组；
• NumPy 能够执行傅立叶变换与重塑多维数组形状；
• NumPy 提供了线性代数，以及随机数生成的内置函数。

NumPy应用场景

NumPy 通常与 SciPy（Python科学计算库）和 Matplotlib（Python绘图库）等软件包组合使用，这种组合方式被用来广泛地代替 MatLab 的使用。

MatLab 是一款强大的数学计算软件，广泛应用在数据分析、电子通信、深度学习、图像处理、机器视觉、量化金融等领域，但近些年随着 Python 语言的迅猛发展，Python 被看作是一种更适合代替  MatLab 的编程语言。您可以使用 NumPy、SciPy 与 Matplotlib 等 Python 工具包搭建科学计算环境，比如 Anaconda 就是是一个开源的 Python 发行版本，它包含了 Python 、NumPy 等 180 多个科学包及其依赖项。

因为 NumPy 是 Python 的扩展程序包，所以您在学习 NumPy 之前应该具备一些 Python 基础知识，这对本教程的学习将大有裨益。如果您想了解关于 NumPy 更多的知识可浏览 NumPy 官网（NumPy）。

二.NumPy下载与安装

window使用清华源安装

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

Linux系统安装

在 Linux 系统中，您可以选择只单独安装 NumPy 一个软件包，也可以同时安装多个软件包。下面介绍了不同的 Linux 发行版具体的安装命令，如下所示：

1) Ubuntu/Debian

对于 Ubuntu/Debian 系统，可以在终端上执行以下命令：

$ sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose 

2) Redhat/CentOS

在 Redhat/CentOS 系统上执行以下命令来安装 NumPy 与其它科学计算包：

$ sudo yum install numpy scipy python-matplotlib ipython python-pandas sympy python-nose

注意：不同的软件包之间必须使用“一个空格”隔开。

三.NumPy ndarray对象

NumPy 定义了一个 n 维数组对象，简称 ndarray 对象，它是一个一系列相同类型元素组成的数组集合。数组中的每个元素都占有大小相同的内存块，您可以使用索引或切片的方式获取数组中的每个元素。

ndarray 对象有一个 dtype 属性，该属性用来描述元素的数据类型，相关知识会在《NumPy数据类型》一节做详细介绍 。

ndarray 对象采用了数组的索引机制，将数组中的每个元素映射到内存块上，并且按照一定的布局对内存块进行排列，常用的布局方式有两种，即按行或者按列。

创建ndarray对象

通过 NumPy 的内置函数 array() 可以创建 ndarray 对象，其语法格式如下：

numpy.array(object, dtype = None, copy = True, order = None,ndmin = 0)

下面表格对其参数做了说明：

参数说明

序号	参数	描述说明
1	object	表示一个数组序列。
2	dtype	可选参数，通过它可以更改数组的数据类型。
3	copy	可选参数，表示数组能否被复制，默认是 True。
4	order	以哪种内存布局创建数组，有 3 个可选值，分别是 C(行序列)/F(列序列)/A(默认)。
5	ndim	用于指定数组的维度。

创建一维数组：

a=numpy.array([1,2,3])

创建多维数组：

b=numpy.array([[1,2,3],[4,5,6]])

如果要改变数组元素的数据类型，可以使用通过设置 dtype，如下所示：

c=numpy.array([2,4,6,8],dtype="数据类型名称")

现在将 c 数组中的元素类型变成了复数类型：

c=numpy.array([2,4,6,8],dtype="complex")
print(c)
[2.+0.j 4.+0.j 6.+0.j 8.+0.j]

array() 是创建 ndarray 对象的基本方法，在后续内容中还会介绍其他方法。

ndim查看数组维数

通过 ndim 可以查看数组的维度：

import numpy as np 
arr = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [9, 10, 11, 23]]) 
print(arr.ndim) 
2

您也可以使用 ndim 参数创建不同维度的数组：

#输出一个二维数组
import numpy as np
a = np.array([1, 2, 3,4,5], ndim = 2)
print(a)

reshape数组变维

数组的形状指的是多维数组的行数和列数。Numpy 模块提供 reshape() 函数可以改变多维数组行数和列数，从而达到数组变维的目的。因此数组变维即对数组形状的重塑，如图1所示：

 reshape() 函数可以接受一个元组作为参数，用于指定了新数组的行数和列数，示例如下：

import numpy as np 
e = np.array([[1,2],[3,4],[5,6]]) 
print("原数组",e) 
e=e.reshape(2,3) 
print("新数组",e) 

四.NumPy数据类型

表1：NumPy数据类型

序号	数据类型	语言描述
1	bool_	布尔型数据类型（True 或者 False）
2	int_	默认整数类型，类似于 C 语言中的 long，取值为 int32 或 int64
3	intc	和 C 语言的 int 类型一样，一般是 int32 或 int 64
4	intp	用于索引的整数类型（类似于 C 的 ssize_t，通常为 int32 或 int64）
5	int8	代表与1字节相同的8位整数。值的范围是-128到127。
6	int16	代表 2 字节（16位）的整数。范围是-32768至32767。
7	int32	代表 4 字节（32位）整数。范围是-2147483648至2147483647。
8	int64	表示 8 字节（64位）整数。范围是-9223372036854775808至9223372036854775807。
9	uint8	代表1字节（8位）无符号整数。
10	uint16	2 字节（16位）无符号整数。
11	uint32	4 字节（32位）的无符号整数。
12	uint64	8 字节（64位）的无符号整数。
13	float_	float64 类型的简写。
14	float16	半精度浮点数，包括：1 个符号位，5 个指数位，10个尾数位。
15	float32	单精度浮点数，包括：1 个符号位，8 个指数位，23个尾数位。
16	float64	双精度浮点数，包括：1 个符号位，11 个指数位，52个尾数位。
17	complex_	复数类型，与 complex128 类型相同。
18	complex64	表示实部和虚部共享 32 位的复数。
19	complex128	表示实部和虚部共享 64 位的复数。
20	str_	表示字符串类型
21	string_	表示字节串类型

数据类型对象

数据类型对象（Data Type Object）又称 dtype 对象，主要用来描述数组元素的数据类型、大小以及字节顺序。同时，它也可以用来创建结构化数据。比如常见的 int64、float32 都是 dtype 对象的实例，其语法格式如下：

np.dtype(object)

创建一个 dtype 对象可以使用下列方法：

a= np.dtype(np.int64)

import numpy as np
a= np.dtype(np.int64)
print(a)

输出结果：

int64

数据类型标识码

NumPy 中每种数据类型都有一个唯一标识的字符码，如下所示：

数据类型标识码

字符	对应类型
b	代表布尔型
i	带符号整型
u	无符号整型
f	浮点型
c	复数浮点型
m	时间间隔（timedelta）
M	datatime（日期时间）
O	Python对象
S,a	字节串（S）与字符串（a）
U	Unicode
V	原始数据（void）