Python NumPy简单使用

简介

NumPy（Numerical Python）是Python的一种开元的数值计算扩展。提供对位数组对象，各种派生对象（如掩码数组、矩阵），这种工具可用来存储和处理大型矩阵，比Python资深的嵌套列表（nested list structure）结构要高效很多（该结构也可用来标识矩阵），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，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、随机模拟等。

• 几乎所有从事Python工作的数据分析师都使用Numpy的强大功能
  • 强大的N维数组
  • 成熟的广播功能
  • 用于整合C/C++和Fortran代码的工具包
  • 提供了全面的数学功能

安装

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

使用

创建方式

方式一 list转换

import numpy
lst = [1, 2, 3, 4, 5, 6]
arr = numpy.array(lst)

方式二 默认值初始化创建

import numpy
arr2 = numpy.ones(10, detype=int)
arr3 = numpy.zeros(10)
arr4 = numpy.full(shape=5, fill_value=3.)
print(arr2)
print(arr3)
print(arr4)

运行结果

[1 1 1 1 1 1 1 1 1 1]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[3. 3. 3. 3. 3.]

ones和zeros、full生成一定数量的数组，里边内容都是一样的，但是ones和zeros的默认值类型是float

方式三 其他方式（随机数、等差、等比等）创建

import numpy
# 随机数
r1 = numpy.random.randint(100)
print('随机数：', r1)
r2 = numpy.random.randint(100, size=(5, 6))
print(r2)
print("形状：", r2.shape)
print("类型：", r2.dtype)
print("维度：", r2.ndim)
print("字节数：", r2.itemsize)

# 正态分布
rn = numpy.random.randn(10)

# 等差数列
lp = numpy.linspace(1, 99, 50)
print('等差数列：', lp)
lp3 = numpy.arange(start=0, stop=20, step=2)
print(lp3)

# 设置不显示科学计数法
numpy.set_printoptions(suppress=True)

# 等比数列 默认是科学计数法显示，需要通过上述方式关闭
lp2 = np.logspace(1, 10, base=2, num=10)
print('等比数列：', lp2)

随机数： 12
[[10 99 23 13 46 39]
 [89 62 58 51 32 94]
 [38  7 53 86 49 79]
 [23 16  3 86 89 74]
 [82 94  6 16 95 63]]
形状： (5, 6)
类型： int32
维度： 2
字节数： 4
等差数列： [ 1.  3.  5.  7.  9. 11. 13. 15. 17. 19. 21. 23. 25. 27. 29. 31. 33. 35.
 37. 39. 41. 43. 45. 47. 49. 51. 53. 55. 57. 59. 61. 63. 65. 67. 69. 71.
 73. 75. 77. 79. 81. 83. 85. 87. 89. 91. 93. 95. 97. 99.]
[ 0  2  4  6  8 10 12 14 16 18]
等比数列： [   2.    4.    8.   16.   32.   64.  128.  256.  512. 1024.]

存储

import numpy

numpy.set_printoptions(suppress=True)

arr = numpy.arange(0, 10, 3)

# 单个数组存储和读取
numpy.save('./numpy_io.npy', arr)
arr2 = numpy.load('./numpy_io.npy')
print(arr2)

arr3 = numpy.logspace(0, 10, base=2, num=11, dtype=int)
# 压缩存储，生成npz文件，load的时候需要指定key获取，savez的时候如果没指定key，默认是arr_0,arr_1……
numpy.savez('./numpy_io.npz', x=arr, y=arr3)
arr4 = numpy.load('./numpy_io.npz')['y']
print(arr4)

数据类型

# uint8 无符号，没有负号，没有负数 (0, 255)
# int8  有符号，有负号，有负数    (-128, 127)
# int: int8、uint8、int16、int32、int64
# float: float16、float32、float64
# str

转换数据类型 astype

arr5 = numpy.logspace(0, 10, base=2, num=11, dtype=numpy.int32)
arr6 = arr5.astype(numpy.float32)
print(arr6)

数组运算

import numpy
numpy.set_printoptions(suppress=True)
nd = numpy.random.randint(0, 10, size=(3, 5))
print(nd)
print("四则运算：+、-、*、/、//、%、**")
print(nd ** 3)
print("math类中的各种方法：power……")
print(numpy.power(nd, 3))
print("逻辑运算：>、<、>=、<=、==")
print(nd >= 5)
print("赋值操作：+=、-=、*=、**=、//=、%=，唯独不支持/=操作")
nd //= 2
print(nd)

[[8 4 1 0 1]
 [1 1 5 4 0]
 [0 4 8 3 6]]
四则运算：+、-、*、/、//、%、**
[[512  64   1   0   1]
 [  1   1 125  64   0]
 [  0  64 512  27 216]]
math类中的各种方法：power……
[[512  64   1   0   1]
 [  1   1 125  64   0]
 [  0  64 512  27 216]]
逻辑运算：>、<、>=、<=、==
[[ True False False False False]
 [False False  True False False]
 [False False  True False  True]]
赋值操作：+=、-=、*=、**=、//=、%=，唯独不支持/=操作
[[4 2 0 0 0]
 [0 0 2 2 0]
 [0 2 4 1 3]]

拷贝

无拷贝

import numpy
a = numpy.random.randint(0, 100, size=(2, 5))
b = a
# Ture，b指向a的对象，没有拷贝任何内容
print(a is b)
b[0][0] = 1024
print(a)
print(b)

True
[[1024   66   26   59   76]
 [  44   60   21   46   92]]
[[1024   66   26   59   76]
 [  44   60   21   46   92]]

浅拷贝

import numpy

# 浅拷贝
a = numpy.random.randint(0, 100, size=(2, 5))
b = a.view()
print(a is b)
print(b.base is a)
print(b.flags.owndata)
print(a.flags.owndata)
b[0][0] = 1024
print(a)
print(b)

False
True
False
True
[[1024    8   63   28   83]
 [  20   43   85   58   51]]
[[1024    8   63   28   83]
 [  20   43   85   58   51]]

深拷贝

import numpy
# 深拷贝
a = numpy.random.randint(0, 100, size=(2, 5))
b = a.copy()
print(a is b)
print(b.base is a)
print(b.flags.owndata)
print(a.flags.owndata)
b[0][0] = 1024
print(a)
print(b)

False
False
True
True
[[16 28  0 88 43]
 [37 40 35 40 94]]
[[1024   28    0   88   43]
 [  37   40   35   40   94]]

行列交换

import numpy

# 列变换
arr2 = numpy.random.randint(0, 100, size=(5, 6))
print(arr2)
index = numpy.argsort(arr2[:, 2])
print(index)
print(arr2[:, index])

[[48 81 25 46  1 50]
 [39 57 45 16 18 84]
 [19 29  0 50 94 24]
 [58 42  7 52 27 79]
 [83 23  5 53 39 14]]
[2 4 3 0 1]
[[25  1 46 48 81]
 [45 18 16 39 57]
 [ 0 94 50 19 29]
 [ 7 27 52 58 42]
 [ 5 39 53 83 23]]

切片

取任意行和列的数据组成新的数组

import numpy
arr = numpy.random.randint(0, 100, size=(5, 6))
print(arr)
print(arr[[1, 3]][:, [0, 1, 4]])
print(arr[numpy.ix_([1, 3], [0, 1, 4])])

[[38 19  2 34 22 61]
 [90 26 35 56 82 17]
 [21 47 86 15 80 40]
 [ 6 80 63 12 45 82]
 [58 73 97 10  4 18]]
[[90 26 82]
 [ 6 80 45]]
[[90 26 82]
 [ 6 80 45]]

数组变形

reshape 变形

变形需要数组总数一致，否则异常。如果不想计算可以使用-1，会自动按照另一个值计算后得出

import numpy
arr3 = numpy.random.randint(0, 100, size=(5, 6))
print(arr3)
print(arr3.reshape(2, 15))
print(arr3.reshape(-1, 15))

[[ 9 87 11 14 25 10]
 [65 19 75 95  5 45]
 [67 49 42 62 25 41]
 [66  0 25 29 57 83]
 [14 65 27 29  8 10]]
[[ 9 87 11 14 25 10 65 19 75 95  5 45 67 49 42]
 [62 25 41 66  0 25 29 57 83 14 65 27 29  8 10]]
[[ 9 87 11 14 25 10 65 19 75 95  5 45 67 49 42]
 [62 25 41 66  0 25 29 57 83 14 65 27 29  8 10]]

concatenate 叠加

把多个数组合并到一起，，0-默认值，代表行（增加），表示按列合并；1-代表列（增加），表示按行合并

• 1-按行合并（一行一行的合并）时，行的数量必须一致，左右叠加
• 0-按列合并（一列一列的合并）时，列的数量必须一致，上下叠加

arr4 = numpy.random.randint(0, 100, size=(3, 4))
arr5 = numpy.random.randint(0, 100, size=(3, 5))
print(arr4)
print(arr5)
# 参数axis表示是否可以合并，0-默认值，按列合并；1-按行合并
arr6 = numpy.concatenate([arr4, arr5], axis=1)
print(arr6)

[[65 74  2 44]
 [15 32 17 50]
 [76 46 95 53]]
[[29 83 99 46  8]
 [23  2 18  2  4]
 [47 13 70 95 48]]
[[65 74  2 44 29 83 99 46  8]
 [15 32 17 50 23  2 18  2  4]
 [76 46 95 53 47 13 70 95 48]]

split 拆分

import numpy
arr7 = numpy.random.randint(0, 100, size=(6, 10))
print(arr7)
# 3表示平均拆成3分，不能整除就会异常
print(numpy.split(arr7, 3))
# [1, 3, 4] 表示从索引1，3，4前分别切割，默认行索引号
print(numpy.split(arr7, [1, 3, 4]))
# axis=1表示列索引号，从第1、3、4列前切割
print(numpy.split(arr7, [1, 3, 4], axis=1))

[[84 15 40 65 90 41 88  5 88 87]
 [51 98 64 71 31  9 89 49 51 65]
 [25 54 33 84  5 88 65 64 22 72]
 [91 32 33 52 15 25 11 23 36 31]
 [12 71 85  0 63  3 43 83  6 98]
 [76 23 88 45 24 93 17 84 59 97]]
[array([[84, 15, 40, 65, 90, 41, 88,  5, 88, 87],
       [51, 98, 64, 71, 31,  9, 89, 49, 51, 65]]), array([[25, 54, 33, 84,  5, 88, 65, 64, 22, 72],
       [91, 32, 33, 52, 15, 25, 11, 23, 36, 31]]), array([[12, 71, 85,  0, 63,  3, 43, 83,  6, 98],
       [76, 23, 88, 45, 24, 93, 17, 84, 59, 97]])]
[array([[84, 15, 40, 65, 90, 41, 88,  5, 88, 87]]), array([[51, 98, 64, 71, 31,  9, 89, 49, 51, 65],
       [25, 54, 33, 84,  5, 88, 65, 64, 22, 72]]), array([[91, 32, 33, 52, 15, 25, 11, 23, 36, 31]]), array([[12, 71, 85,  0, 63,  3, 43, 83,  6, 98],
       [76, 23, 88, 45, 24, 93, 17, 84, 59, 97]])]
[array([[84],
       [51],
       [25],
       [91],
       [12],
       [76]]), array([[15, 40],
       [98, 64],
       [54, 33],
       [32, 33],
       [71, 85],
       [23, 88]]), array([[65],
       [71],
       [84],
       [52],
       [ 0],
       [45]]), array([[90, 41, 88,  5, 88, 87],
       [31,  9, 89, 49, 51, 65],
       [ 5, 88, 65, 64, 22, 72],
       [15, 25, 11, 23, 36, 31],
       [63,  3, 43, 83,  6, 98],
       [24, 93, 17, 84, 59, 97]])]

transpose 数组转置

import numpy
arr8 = numpy.random.randint(0, 100, size=(4, 2))
print(arr8)
# 行变列，列变行
print(numpy.transpose(arr8))
print('------------------------------------------------------------------------------')

[[ 0 85]
 [69 20]
 [99 29]
 [97 81]]
[[ 0 69 99 97]
 [85 20 29 81]]

广播机制

import numpy
arr1 = numpy.random.randint(0, 10, size=(5, 3))
arr2 = numpy.arange(1, 4)
print(arr1)
print(arr2)
print(arr1 + arr2)

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

通用函数

一般数学函数

import numpy
numpy.set_printoptions(suppress=True)
# π
print(numpy.pi)
# sin、cos
print(numpy.sin(numpy.pi / 2))
print(numpy.sin(0))
print(numpy.cos(0))
print(numpy.cos(numpy.pi / 2).round(4))

# 开平方
print(numpy.sqrt(1024))
# 平方
print(numpy.square(4))
# n次方
print(numpy.power(27, 1/3))
# 对数
print(numpy.log2(16))

# 返回两个数组比较大、小的值
x = numpy.array([1, 5, 2, 9, 3, 6, 8])
y = numpy.array([2, 4, 3, 7, 1, 9, 0])
print('返回两个数组中大的值：', numpy.maximum(x, y))
print('返回两个数组中大的值：', numpy.minimum(x, y))

# 返回两个数组的内积
arr1 = numpy.random.randint(0, 10, size=(2, 2))
print(arr1)
print("内积为：\n", numpy.inner(arr1, arr1))

# 取整
print(numpy.ceil(3.01))
print(numpy.round(3.01, 1))
print(numpy.round(3.99, 1))
print(numpy.floor(3.99))

# clip裁剪，小于10，拔高为10，大于30，降低为30
arr2 = numpy.random.randint(0, 50, size=20)
print(arr2)
print(numpy.clip(arr2, 10, 30))

3.141592653589793
1.0
0.0
1.0
0.0
32.0
16
3.0
4.0
返回两个数组中大的值： [2 5 3 9 3 9 8]
返回两个数组中大的值： [1 4 2 7 1 6 0]
[[5 6]
 [7 6]]
内积为：
 [[61 71]
 [71 85]]
4.0
3.0
4.0
3.0
[ 2 28 47 27 21 23 17  1 17 16 31  3 27  7 43 43 11 21 42 10]
[10 28 30 27 21 23 17 10 17 16 30 10 27 10 30 30 11 21 30 10]

where函数

import numpy

x = numpy.array([1, 5, 2, 9, 3, 6, 8])
y = numpy.array([2, 4, 3, 7, 1, 9, 0])

cond = numpy.array([True, False, True, True, False, False, True])
# where 根据条件选择取值，值为True，从第一个数组中取值，False则从第二个数组取值
print(numpy.where(cond, x, y))
# where 根据条件选择取值，值为True，从第一个数组中取值，False则取0
print(numpy.where(x < 5, x, 0))

[1 4 2 9 1 9 8]
[1 0 2 0 3 0 0]

集合运算函数

import numpy

x = numpy.array([1, 5, 2, 9, 3, 6, 8])
y = numpy.array([2, 4, 3, 7, 1, 9, 0])
# 交集
print(numpy.intersect1d(x, y))
# 并集
print(numpy.union1d(x, y))
# 差集
print(numpy.setdiff1d(x, y))

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

统计函数

min、max、mean、median、sum、std、var、cunsum、cumprod、argmin、argmax、argwhere、cov、corrcoef

矩阵运算

import numpy
from numpy.linalg import det, inv

numpy.set_printoptions(suppress=True)

nd = numpy.random.randint(0, 10, size=(3, 5))
print(nd)
ne = numpy.random.randint(0, 10, size=(5, 3))
print(ne)
# 矩阵乘积
print(numpy.dot(nd, ne))
print(nd.dot(ne))

# 方阵
nf = numpy.random.randint(0, 10, size=(3, 3))
# 逆矩阵
print(inv(nf))
# 矩阵行列式
print(det(nf))

[[2 4 3 0 2]
 [3 0 1 4 4]
 [2 2 3 0 3]]
[[1 8 6]
 [8 0 2]
 [0 6 2]
 [9 2 6]
 [6 1 8]]
[[46 36 42]
 [63 42 76]
 [36 37 46]]
[[46 36 42]
 [63 42 76]
 [36 37 46]]
[[ 0.25732899 -0.01302932 -0.14006515]
 [-0.18566775 -0.00325733  0.21498371]
 [-0.13029316  0.12052117  0.04560261]]
-306.9999999999999