numpy计算模块常见用法

介绍

NumPy是Python的一个数学计算函数库，底层是C实现，执行效率高。它的其核心对象是ndarray N维数组，可以支持大量的维度数组与矩阵运算。

一、numpy常见属性

1.1、对象类型

使用numpy定义x1、x2两个数组，打印它们的类型，可见为ndarray

import numpy as np

x1 = np.array([[1, 2, 3], [4, 5, 6]])
x2 = np.array([1.0, 2.0])

# 输出对象类型
print(type(x1), type(x2))

执行结果

<class 'numpy.ndarray'> <class 'numpy.ndarray'>

1.2、数组维度

通过ndim属性可以获得数组的维度，x1为二维，x2为一维

# 输出数组维度
print(x1.ndim, x2.ndim)

执行结果

2 1

1.3、数组形状

通过shape属性可以获得数组的形状，x1为2行3列，x2是包含两个元素的一维数组

# 输出数组形状
print(x1.shape, x2.shape)

执行结果

(2, 3) (2,)

1.4、数据类型

通过dtype属性可以获得数据类型，x1为int32整型，x2为float64浮点数

# 输出数据类型
print(x1.dtype, x2.dtype)

执行结果

int32 float64

二、数组创建方式

2.1、array()函数

# 直接使用array()函数生成
print(np.array([1, 2, 3]))

执行结果

[1 2 3]

2.2、zeros()函数

# 使用zeros()函数,生成值全为0的数组
print(np.zeros((2, 2)))

执行结果

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

2.3、ones()函数

# 使用ones()函数,生成值全为1的数组
print(np.ones((2, 2)))

执行结果

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

2.4、full()函数

# 使用full()函数,生成自定义数组，第一个参数是维度，第二参数是值
print(np.full((3, 5), 2))

执行结果

[[2 2 2 2 2]
 [2 2 2 2 2]
 [2 2 2 2 2]]

2.5、arange()函数

# 使用arange()函数生成，下面表示生成值从0到10之间，步长为2
print(np.arange(0, 10, 2))

执行结果

[0 2 4 6 8]

2.6、linspace()函数

# 使用linspace()函数生成，下面表示从0到1之间，均匀切分成20个元素
print(np.linspace(0, 1, 10))

执行结果

[0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
 0.66666667 0.77777778 0.88888889 1.        ]

2.7、random()函数

# 使用random()函数，生成随机数，下面表示2行3列
print(np.random.random((2, 3)))

执行结果

[[0.90641874 0.01024495 0.59446078]
 [0.17317758 0.88951275 0.10003954]]

2.8、randint()函数

# 使用randint()函数，生成随机整数，low表示最小值，high表示最大值，size表示2行3列
print(np.random.randint(low=0, high=10, size=(2, 3)))

执行结果

[[2 5 1]
 [1 4 5]]

2.9、normal()函数

# 使用normal()函数，生成正态分布（高斯分布），loc表示均值为2，scale表示标准差为3，size表示2行3列
print(np.random.normal(loc=2, scale=3, size=(2, 3)))

执行结果

[[ 8.19664286  4.76742324  0.14446856]
 [ 3.27381939  2.10445444 -3.01358868]]

2.10、eye()函数

# 使用eye()函数，生成对角线为1的单位矩阵，下面表示5*5
print(np.eye(5))

执行结果

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]

2.11、reshape()函数

# reshape()函数，下面表示生成值为0-11之间的3行4列的数组
print(np.arange(0, 12).reshape((3, 4)))

执行结果

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

三、数组索引

定义数组x

x = np.arange(0, 12).reshape((3, 4))
print(x)

3.1、正数索引取值

# 获取第1行
print(x[0])
# 获取第1列
print(x[:, 0])
# 获取第1行第2个元素
print(x[0][1])
print(x[0, 1])

执行结果

[0 1 2 3]
[0 4 8]
1
1

3.2、负数索引取值

# 获取最后1行
print(x[-1])
# 获取最后1列
print(x[:, -1])

执行结果

[ 8  9 10 11]
[ 3  7 11]

四、数组合并

定义x、y两个数组

x = np.arange(0, 6).reshape((2, 3))
y = np.arange(6, 12).reshape((2, 3))
print(x)
print(y)

4.1、concatenate()函数

# 使用concatenate()函数合并数组
print(np.concatenate([x, y]))

执行结果

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]

4.2、vstack()函数

# vstack()函数垂直方向合并数组
print(np.vstack([x, y]))

执行结果

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]

4.3、hstack()函数

# hstack()函数水平方向合并数组
print(np.hstack([x, y]))

执行结果

[[ 0  1  2  6  7  8]
 [ 3  4  5  9 10 11]]

五、数组拆分

定义数组z

z = np.arange(0, 16).reshape((4, 4))
print(z)

5.1、split()函数

# split()函数拆分数组
z1, z2 = np.split(z, [1])
print(z1)
print(z2)

执行结果

[[0 1 2 3]]
[[ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]

5.2、vsplit()函数

# vsplit()函数垂直方向拆分数组
z3, z4 = np.vsplit(z, [2])
print(z3)
print(z4)

执行结果

[[0 1 2 3]
 [4 5 6 7]]
[[ 8  9 10 11]
 [12 13 14 15]]

5.3、hsplit()函数

# hsplit()函数垂直方向拆分数组
z5, z6 = np.hsplit(z, [2])
print(z5)
print(z6)

执行结果

[[ 0  1]
 [ 4  5]
 [ 8  9]
 [12 13]]
[[ 2  3]
 [ 6  7]
 [10 11]
 [14 15]]

六、数组排序

6.1、sort排序

sort返回元素排序结果

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

执行结果

[1 2 3 4 5]	

6.2、argsort排序

argsort返回索引的排序结果

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

执行结果

[0 3 4 2 1]

6.3、指定axis排序

axis=0返回按列排序结果，axis=1返回按行排序结果

np.random.seed(1)
x = np.random.randint(0, 8, (3, 3))
print(x)
print(np.sort(x, axis=0))
print(np.sort(x, axis=1))

执行结果

[[5 3 4]
 [0 7 1]
 [3 5 7]]
[[0 3 1]
 [3 5 4]
 [5 7 7]]
[[3 4 5]
 [0 1 7]
 [3 5 7]]

6.4、按维度排序

通过argsort先对某个维度索引排序，再实现对某个维度元素的整体排序

new_order = np.argsort(x[:, 2])
print(np.argsort(x[:, 2]))
print(x[new_order])

执行结果，实现对第3个维度的排序

[1 0 2]
[[0 7 1]
 [5 3 4]
 [3 5 7]]