NumPy学习(一)

NumPy学习(一)

1.NumPy简介

NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。

使用

• 使用pip安装numpy

  pip install numpy

• 引用numpy库

  import numpy as np

2.Ndarray对象

Ndarray即N维数组类型。

声明

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

参数描述

序号	参数及描述
1.	object 任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。
2.	dtype 数组的所需数据类型，可选。
3.	copy 可选，默认为true，对象是否被复制。
4.	order C（按行）、F（按列）或A（任意，默认）。
5.	subok 默认情况下，返回的数组被强制为基类数组。 如果为true，则返回子类。
6.	ndmin 指定返回数组的最小维数。

示例

一维数组

输入为：

import numpy as np
a = np.array([1, 2, 3])
print(a)

输出：

[1, 2, 3]

多于一维

输入：

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

输出：

[[1, 2]
 [3, 4]]

最小维度

输入：

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

输出：

[[1, 2, 3, 4, 5]]

dtype参数

输入：

a = np.array([1,  2,  3], dtype = complex)  # 数据类型为复数
print(a)

输出：

[ 1.+0.j,  2.+0.j,  3.+0.j]

3.NumPy数据类型

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

序号	数据类型及描述
1.	bool_ 存储为一个字节的布尔值（真或假）
2.	int_ 默认整数，相当于 C 的long，通常为int32或int64
3.	intc 相当于 C 的int，通常为int32或int64
4.	intp 用于索引的整数，相当于 C 的size_t，通常为int32或int64
5.	int8 字节（-128 ~ 127）
6.	int16 16 位整数（-32768 ~ 32767）
7.	int32 32 位整数（-2147483648 ~ 2147483647）
8.	int64 64 位整数（-9223372036854775808 ~ 9223372036854775807）
9.	uint8 8 位无符号整数（0 ~ 255）
10.	uint16 16 位无符号整数（0 ~ 65535）
11.	uint32 32 位无符号整数（0 ~ 4294967295）
12.	uint64 64 位无符号整数（0 ~ 18446744073709551615）
13.	float_ float64的简写
14.	float16 半精度浮点：符号位，5 位指数，10 位尾数
15.	float32 单精度浮点：符号位，8 位指数，23 位尾数
16.	float64 双精度浮点：符号位，11 位指数，52 位尾数
17.	complex_ complex128的简写
18.	complex64 复数，由两个 32 位浮点表示（实部和虚部）
19.	complex128 复数，由两个 64 位浮点表示（实部和虚部）

数据类型对象

数据类型对象描述了对应于数组的固定内存块的解释，取决于以下方面：

• 数据类型（整数、浮点或者 Python 对象）
• 数据大小
• 字节序（小端或大端）
• 在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
• 如果数据类型是子序列，它的形状和数据类型。

字节顺序取决于数据类型的前缀 < 或 > 。 < 意味着编码是小端（最小有效字节存储在最小地址中）。 > 意味着编码是大端（最大有效字节存储在最小地址中）。

dtype可由一下语法构造：

np.dtype(object, align, copy)

参数为：

• Object：被转换为数据类型的对象。
• Align： 如果为true，则向字段添加间隔，使其类似 C 的结构体。
• Copy ： 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。

4.NumPy数组属性

np.shape

这一数组属性返回一个包含数组维度的元组，它也可以用于调整数组大小。

示例 1

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

输出如下：

(2, 3)

示例 2

# 这会调整数组大小  
import numpy as np
a = np.array([[1,2,3],[4,5,6]]) a.shape =  (3,2)
print(a)

输出如下：

[[1, 2] 
 [3, 4] 
 [5, 6]]
 

示例 3

NumPy 也提供了reshape函数来调整数组大小。

import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = a.reshape(3,2)
print(b)

输出如下：

[[1, 2] 
 [3, 4] 
 [5, 6]]
 

ndarray.ndim

这一数组属性返回数组的维数。

示例 1

# 等间隔数字的数组  
import numpy as np 
a = np.arange(10)
print(a)

输出如下：

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

示例 2

# 一维数组
import numpy as np 
a = np.arange(10)
print(a.ndim) 
# 现在调整其大小
b = a.reshape(2,4,3)  
print(b.ndim)  # b 现在拥有三个维度

输出如下：

1
3
 

numpy.itemsize

这一数组属性返回数组中每个元素的字节单位长度。

示例 1

# 数组的 dtype 为 int8（一个字节）
import numpy as np 
x = np.array([1,2,3,4,5], dtype = np.int8)  
print(x.itemsize)

输出如下：

1

示例 2

# 数组的 dtype 现在为 float32（四个字节）  
import numpy as np 
x = np.array([1,2,3,4,5], dtype = np.float32)  
print(x.itemsize)

输出如下：

4

5.NumPy - 数组创建例程

新的ndarray对象可以通过任何下列数组创建例程或使用低级ndarray构造函数构造。

numpy.empty

它创建指定形状和dtype的未初始化数组。 它使用以下构造函数：

numpy.empty(shape, dtype = float, order = 'C')

构造器接受下列参数：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

示例

下面的代码展示空数组的例子：

import numpy as np 
x = np.empty([3,2], dtype =  int)  
print(x)

输出如下：

[[22649312    1701344351] 
 [1818321759  1885959276] 
 [16779776    156368896]]
 

注意：数组元素为随机值，因为它们未初始化。

numpy.zeros

返回特定大小，以 0 填充的新数组。

numpy.zeros(shape, dtype = float, order = 'C')

构造器接受下列参数：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

示例 1

# 含有 5 个 0 的数组，默认类型为 float  
import numpy as np 
x = np.zeros(5)  
print(x)

输出如下：

[ 0.  0.  0.  0.  0.]
 

示例 2

import numpy as np 
x = np.zeros((5,), dtype = np.int)  
print(x)

输出如下：

[0  0  0  0  0]

示例 3

# 自定义类型 
import numpy as np 
x = np.zeros((2,2), dtype =  [('x',  'i4'),  ('y',  'i4')])  
print(x)

输出如下：

[[(0,0)(0,0)]
 [(0,0)(0,0)]]         

numpy.ones

返回特定大小，以 1 填充的新数组。

numpy.ones(shape, dtype = None, order = 'C')

构造器接受下列参数：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

示例 1

# 含有 5 个 1 的数组，默认类型为 float  
import numpy as np 
x = np.ones(5)  
print(x)

输出如下：

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

示例 2

import numpy as np 
x = np.ones([2,2], dtype =  int) 
print(x)

输出如下：

[[1  1] 
 [1  1]]
 

6.NumPy - 来自现有数据的数组

这一章中，我们会讨论如何从现有数据创建数组。

numpy.asarray

此函数类似于numpy.array，除了它有较少的参数。 这个例程对于将 Python 序列转换为ndarray非常有用。

numpy.asarray(a, dtype = None, order = None)
 

构造器接受下列参数：

序号	参数及描述
1.	a 任意形式的输入参数，比如列表、列表的元组、元组、元组的元组、元组的列表
2.	dtype 通常，输入数据的类型会应用到返回的ndarray
3.	order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

下面的例子展示了如何使用asarray函数：

示例 1

# 将列表转换为 ndarray 
import numpy as np 
x =  [1,2,3] 
a = np.asarray(x)  
print(a)

输出如下：

[1  2  3] 

示例 2

# 设置了 dtype  
import numpy as np 
x =  [1,2,3] 
a = np.asarray(x, dtype = float)  
print(a)

输出如下：

[ 1.  2.  3.] 

示例 3

# 来自元组的 ndarray  
import numpy as np 
x =  (1,2,3) 
a = np.asarray(x)  
print(a)

输出如下：

[1  2  3]

示例 4

# 来自元组列表的 ndarray
import numpy as np 
x =  [(1,2,3),(4,5)] 
a = np.asarray(x)  
print(a)

输出如下：

[(1, 2, 3) (4, 5)]

numpy.frombuffer

此函数将缓冲区解释为一维数组。 暴露缓冲区接口的任何对象都用作参数来返回ndarray。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

构造器接受下列参数：

序号	参数及描述
1.	buffer 任何暴露缓冲区借口的对象
2.	dtype 返回数组的数据类型，默认为float
3.	count 需要读取的数据数量，默认为-1，读取所有数据
4.	offset 需要读取的起始位置，默认为0

示例

下面的例子展示了frombuffer函数的用法。

import numpy as np 
s = 'Hello World' 
a = np.frombuffer(s, dtype =  'S1')  
print(a)

输出如下：

['H'  'e'  'l'  'l'  'o'  ' '  'W'  'o'  'r'  'l'  'd']

numpy.fromiter

此函数从任何可迭代对象构建一个ndarray对象，返回一个新的一维数组。

numpy.fromiter(iterable, dtype, count = -1)

构造器接受下列参数：

序号	参数及描述
1.	iterable 任何可迭代对象
2.	dtype 返回数组的数据类型
3.	count 需要读取的数据数量，默认为-1，读取所有数据

以下示例展示了如何使用内置的range()函数返回列表对象。 此列表的迭代器用于形成ndarray对象。

示例 1

# 使用 range 函数创建列表对象  
import numpy as np 
list = range(5)  
print(list)

输出如下：

[0,  1,  2,  3,  4]

示例 2

# 从列表中获得迭代器  
import numpy as np 
list = range(5) 
it = iter(list)  
# 使用迭代器创建 ndarray 
x = np.fromiter(it, dtype =  float)  
print(x)

输出如下：

[0.   1.   2.   3.   4.]

7.NumPy - 来自数值范围的数组

这一章中，我们会学到如何从数值范围创建数组。

numpy.arange

这个函数返回ndarray对象，包含给定范围内的等间隔值。

numpy.arange(start, stop, step, dtype)

构造器接受下列参数：

序号	参数及描述
1.	start 范围的起始值，默认为0
2.	stop 范围的终止值（不包含）
3.	step 两个值的间隔，默认为1
4.	dtype 返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

下面的例子展示了如何使用该函数：

示例 1

import numpy as np
x = np.arange(5)  
print x

输出如下：

[0  1  2  3  4]
 

示例 2

import numpy as np
# 设置了 dtype
x = np.arange(5, dtype =  float)  
print(x)

输出如下：

[0.  1.  2.  3.  4.]

示例 3

# 设置了起始值和终止值参数  
import numpy as np
x = np.arange(10,20,2)  
print(x)

输出如下：

[10  12  14  16  18]

numpy.linspace

此函数类似于arange()函数。 在此函数中，指定了范围之间的均匀间隔数量，而不是步长。 此函数的用法如下。

numpy.linspace(start, stop, num, endpoint, retstep, dtype) 

构造器接受下列参数：

序号	参数及描述
1.	start 序列的起始值
2.	stop 序列的终止值，如果endpoint为true，该值包含于序列中
3.	num 要生成的等间隔样例数量，默认为50
4.	endpoint 序列中是否包含stop值，默认为ture
5.	retstep 如果为true，返回样例，以及连续数字之间的步长
6.	dtype 输出ndarray的数据类型

下面的例子展示了linspace函数的用法。

示例 1

import numpy as np
x = np.linspace(10,20,5) 
print(x)

输出如下：

[10.   12.5   15.   17.5  20.]

示例 2

# 将 endpoint 设为 false
import numpy as np
x = np.linspace(10,20,  5, endpoint =  False)  
print(x)

输出如下：

[10.   12.   14.   16.   18.]

示例 3

# 输出 retstep 值  
import numpy as np
x = np.linspace(1,2,5, retstep =  True)  
print(x)
# 这里的 retstep 为 0.25

输出如下：

(array([ 1.  ,  1.25,  1.5 ,  1.75,  2.  ]), 0.25)

numpy.logspace

此函数返回一个ndarray对象，其中包含在对数刻度上均匀分布的数字。 刻度的开始和结束端点是某个底数的幂，通常为 10。

numpy.logscale(start, stop, num, endpoint, base, dtype) 

logspace函数的输出由以下参数决定：

序号	参数及描述
1.	start 起始值是base ** start
2.	stop 终止值是base ** stop
3.	num 范围内的数值数量，默认为50
4.	endpoint 如果为true，终止值包含在输出数组当中
5.	base 对数空间的底数，默认为10
6.	dtype 输出数组的数据类型，如果没有提供，则取决于其它参数

下面的例子展示了logspace函数的用法。

示例 1

import numpy as np
# 默认底数是 10
a = np.logspace(1.0,  2.0, num =  10)  
print(a)

输出如下：

[ 10.           12.91549665     16.68100537      21.5443469  27.82559402      
  35.93813664   46.41588834     59.94842503      77.42636827    100.    ]

示例 2

# 将对数空间的底数设置为 2  
import numpy as np
a = np.logspace(1,10,num =  10,  base  =  2)  
print(a)

输出如下：

[ 2.     4.     8.    16.    32.    64.   128.   256.    512.   1024.]
 

8.NumPy - 切片和索引

ndarray对象的内容可以通过索引或切片来访问和修改，就像 Python 的内置容器对象一样。

如前所述，ndarray对象中的元素遵循基于零的索引。 有三种可用的索引方法类型： 字段访问，基本切片和高级索引。

基本切片是 Python 中基本切片概念到 n 维的扩展。 通过将start，stop和step参数提供给内置的slice函数来构造一个 Python slice对象。 此slice对象被传递给数组来提取数组的一部分。

示例 1

import numpy as np
a = np.arange(10)
s = slice(2,7,2)  
print(a[s])

输出如下：

[2  4  6]

在上面的例子中，ndarray对象由arange()函数创建。 然后，分别用起始，终止和步长值2，7和2定义切片对象。 当这个切片对象传递给ndarray时，会对它的一部分进行切片，从索引2到7，步长为2。

通过将由冒号分隔的切片参数（start:stop:step）直接提供给ndarray对象，也可以获得相同的结果。

示例 2

import numpy as np
a = np.arange(10)
b = a[2:7:2]  
print(b)

输出如下：

[2  4  6]

如果只输入一个参数，则将返回与索引对应的单个项目。 如果使用a:，则从该索引向后的所有项目将被提取。 如果使用两个参数（以:分隔），则对两个索引（不包括停止索引）之间的元素以默认步骤进行切片。

示例 3

# 对单个元素进行切片  
import numpy as np
a = np.arange(10)
b = a[5]  
print(b)

输出如下：

5

示例 4

# 对始于索引的元素进行切片  
import numpy as np
a = np.arange(10)  
print(a[2:])

输出如下：

[2  3  4  5  6  7  8  9]

示例 5

# 对索引之间的元素进行切片  
import numpy as np
a = np.arange(10)  
print(a[2:5])

输出如下：

[2  3  4]

上面的描述也可用于多维ndarray。

示例 6

import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])  
print a
# 对始于索引的元素进行切片  
print('现在我们从索引 a[1:] 开始对数组切片')
print(a[1:])

输出如下：

[[1 2 3]
 [3 4 5]
 [4 5 6]]
现在我们从索引 a[1:] 开始对数组切片
[[3 4 5]
 [4 5 6]]

切片还可以包括省略号（...），来使选择元组的长度与数组的维度相同。 如果在行位置使用省略号，它将返回包含行中元素的ndarray。

示例 7

# 最开始的数组  
import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])  
print('我们的数组是：')
print(a)
print('\n')
# 这会返回第二列元素的数组：  
print('第二列的元素是：')
print(a[...,1])  
print('\n')  
# 现在我们从第二行切片所有元素：  
print('第二行的元素是：')
print(a[1,...])  
print('\n')
# 现在我们从第二列向后切片所有元素：
print('第二列及其剩余元素是：')  
print(a[...,1:])

输出如下：

我们的数组是：
[[1 2 3]
 [3 4 5]
 [4 5 6]]
第二列的元素是：
[2 4 5]
第二行的元素是：
[3 4 5]
第二列及其剩余元素是：
[[2 3]
 [4 5]
 [5 6]]