【Python学习】Nupmy库

之前的笔记已经将python的基础语法部分已经基本学完了，下面就开始学习python中最常用的一些第三方库。本篇学习数组运算的numpy库。

一.Numpy库介绍

在利用编程进行数据处理时，我们经常需要遇到通过列表来进行数据存储与运算的情况，一般表现形式为二维数据或多维数据。在python中，一维数据可以用列表和集合类型表示，二维或多维用列表表示，高维则用字典等其他数据表示格式。

但为了运算方便以及提升运行速度，我们需要更快更便捷的一个数据类型进行多维数据的存储（以避免列表存储时利用循环而增加的空间复杂度。）

数组优点：

1.去掉默认数据类型进行多维运算的循环，使一维变量更像单个数据。

2.提升运算速度

3.采用相同的数据类型，有利于节省运算和存储空间

numpy库：

NumPy（Numerical Python的简称）是高性能科学计算和数据分析的基础包，其中包含了数组对象(向量、矩阵、图像等)以及线性代数等。

由于numpy库大部分是由C语言编译而成，底层逻辑上更加优异，运算更为便捷。

numpy中包含定义了一个ndarray数组，ndarray数组采用了数组的索引机制，它是由一系列类型相同的元素组成的集合，且每个元素占有相同的内存大小。

数组的维数称作秩，每一个线性的数组称为轴

二.数组的创建

数组主要有一下四种创建方式：

1.从Python中的列表元组等类型创建ndarray数组。

2.使用nupmy中函数创建ndarray数组.

3.从字节流中创建数组。

4.从文件中读取特定格式创建ndarray数组。

1.从Python中的列表元组等类型创建ndarray数组：

语法结构：

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

注：dtype指定数组元素类型，其具体由以下的类型：

 因为numpy进行的科学计算涉及数据较多，对存储和性能都有很高要求，更精细的处理有利于Numpy合理使用存储空间并优化性能。

2.使用nupmy中函数创建ndarray数组：

 3.已知尺度大小创建数组：

 4.数组的属性

5.数组维度的变化

 6.数组转化为列表

语法：

        array.tolist()

注：array是数组的默认称呼。

7.数组的组合与分割

水平方向：

        组合：np.concatenate((a, b), axis=1)

        分割：np.split(a, 3, axis=1)

垂直方向：

        组合：np.concatenate((a, b), axis=0)

        分割：np.split(a, 3, axis=0)

深度方向：

        组合：np.dstack((a, b))

        分割：np.dsplit((a, b))

三.数组的索引

一维数组的索引与普通列表等数据类型类似：

        array_name[索引值或序列]

注：数组是一个可变对象，通过数组索引进行的赋值更改都会对数组本身产生影响。同样，对数组进行切片或利用copy()得到视图后，如果对切片或视图进行更改，也会影响到原数组。

二维数组的索引较为简便，在索引框【】中用逗号分割即可。

        ndarry[axis0_slice, axis1_slice]

注：如果要对纵行所有的行进行特殊操作，可直接用 : 代替axis0_slice。

举例讲解：

 常见的替代情况如上图，：代表了行或列的所有元素，而2和1带表了切片的终止或起始位置，如果要对array.arange(9).reshape(3,3)进行切片，则只截取到第二行，且列从第一列开始截取。

 

在进行数组建立时，可以用-1填写数组的行数部分，系统会根据列数和arange所设定的个数自动分配行数。

二维数组的增删改查：

 四.数组的矢量化

矢量化是指不用循环即可实现数据的批量运算，且每个运算都针对到元素级。

布尔型索引：

当存在两个数组，一个一维数组的元素个数与另一个二维数组的某秩的轴数相同，则二者可产生对应关系，可利用一维数组的某个元素提取出二维的数据元组。

注：布尔型索引不需要手动的标注，在我们利用一维数组进行查找与判定时，系统内部已经自动的进行了布尔类型的判断。

布尔型数组的一般定义方式为：

        数组名=（逻辑数大小表达式）

布尔数组的各类方法：

函数调用：

注，全部是内置函数

sum()：被用来对布尔型数组中的True值计数

any()：测试数组中是否存在一个或多个True

all()：检查数组中所有值是否都是True

一元算数函数：

通用函数 (ufunc) 是一种对 ndarray 中的数据执行 元素级运算 的函数，可看作为简单函数的矢量化函数。

函数表：

 这些函数是直接对数组中的所有数据进行操作的，如果运用math库中进行可能无法实现矢量化。

 二元算数函数：

函数表：

 矩阵生成函数：

        xx,yy=np.meshgrid(x,y)

适用于生成网格型数据，可以接受两个一维数组生成两个二维矩阵，对应两个数组中所有的(x,y)对。其中生成的第一个二维数组是以xarray为行，共y-dimesion行的向量；第二个二维数组是以yarray的转置为列，共x-dimesion列的向量。

三元函数：

numpy.where 函数是三元表达式 x if condition else y 的矢量化版本。

集合逻辑：

主要针对一维数组。

 统计函数：

 注：axis是指轴

伪随机数生成：

常见分布函数的随机数 ：

 线性代数：

线性代数是任何数组库的重要组成部分， linalg 模块 中有标准的矩阵分解运算以及诸如求逆和行列式之类的函数。

 专用函数：

 缺省值处理：

 五.Numpy文件操作

关键函数：

 np.loadtxt函数：

 读写文件函数：

读：

        np.loadtxt(frame,dtype=np.float, delimiter=None,unpack=False)

写：

        np.savetxt(frame, array, fmt='%.18e', delimiter=None)

END;