Numpy学习笔记（一）

先决条件

• 熟悉python，可以参考Python Tutorial或者廖雪峰的官方网站

• 安装Python和Numpy

  建议安装ipython或bpython（推荐），一个强化版本的Python Shell，学习时非常方便.

  后续的代码均在python3中测试通过。

基础篇

Numpy的主要对象是同种元素的多维数组，这和Python的列表稍微不同，Python列表的元素类型可以不同。在Numpy中，维度（dimensions）叫做轴（axes），轴的个数叫做秩（rank），比如：

[1, 2, 3]是一个秩为1 的数组，轴长度为3；

[[1., 0., 0.],
 [0., 1., 2.]]

数组的秩为2，第一维的维度为2，第二维维度为3.

常用属性

Numpy的数组类被称作ndarray，常称为数组，ndarray的一些常用属性有：

• ndarray.ndim

  返回数组的秩，即数组轴的个数。

• ndarray.shape

  返回一个元组，该元组包含数组的维度，指示数组在每一维上的维度大小。

• ndarray.size

  返回数组中的元素个数，等于shape属性返回的元祖中元素的乘积。

• ndarray.dtype

  返回数组中元素的类型。

• ndarray.itemsize

  返回数组每个元素的字节大小

通常我们在程序中导入numpy包的方法如下:

import numpy as np

后续例子都默认使用以上语句导入了numpy。

例子

>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype
dtype('int64')
>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<class 'numpy.ndarray'>
>>> b = np.array([1, 2, 3])
>>> b
array([1, 2, 3])
>>> type(b)
<class 'numpy.ndarray'>

以上例子中的arange(), reshape(), array()函数将在后续进行讲解，请按照以上代码进行测试。

创建数组

• 使用np.array()函数来利用常规的Python列表和元组创建数组，数组元素类型根据原序列的元素来推导

  >>> a = np.array([2, 3, 4])
  >>> a
  array([2, 3, 4])
  >>> a.dtype
  dtype('int64')
  >>> b = np.array([1.1, 1.2, 1.3])
  >>> b.dtype
  dtype('float64')
  >>> c = np.array([[1, 2, 3], [4, 5, 6]])# 创建二维数组
  >>> c
  array([[1, 2, 3],
       [4, 5, 6]])
  >>> c.dtype
  dtype('int64')
  >>> d = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32) # 为数组指定元素类型
  >>> d
  array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]], dtype=float32)
  >>> d.dtype
  dtype('float32')

• numpy中有一些方便的创建常见数组的函数，比如np.ones()创建全为1的数组，npp.zeros创建全为0的数组，np.empty()创建内容随机。这些函数创建的数组元素类型默认为np.float64

  >>> np.zeros((3, 4))
  array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
  >>> np.ones((2, 3, 4), dtype=np.float32)
  array([[[ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.]],
  
       [[ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.]]], dtype=float32)
  >>> np.empty((2, 3))
  array([[  0.00000000e+000,   4.94065646e-324,   9.88131292e-324],
       [  1.48219694e-323,   1.97626258e-323,   2.47032823e-323]])

  ​

  注意:使用这几个函数创建数组时，需指定数组形状，一元祖形式作为参数，而不是每一个维度单独作为参数，例如，创建一个2 × 3的数组，np.zeros((2, 3)).

• numpy中有一个类似 python 中range() 的函数，np.arange(),作用和用法和range（）一样，区别是返回一个数组，而不是列表

  >>> np.arange(0, 10)
  array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  >>> np.arange(0, 10, 2)
  array([0, 2, 4, 6, 8])

  np.linspace(start, end, num),将一个区间进行平分，结束节点end将包括在内， 这和np.arange()有点不同, 默认平分为50个数：

  >>> np.linspace(0, 10, 10)
  array([  0.        ,   1.11111111,   2.22222222,   3.33333333,
         4.44444444,   5.55555556,   6.66666667,   7.77777778,
         8.88888889,  10.        ])
  >>> np.linspace(0, 9, 10)
  array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.])

  基本运算

  numpy支持所有的算术运算，但都是按元素进行的（elementwise）：

  >>> a = np.array([1, 2, 3, 4])
  >>> b = np.array([5, 6, 7, 8])
  >>> c = b - a
  >>> c
  array([4, 4, 4, 4])
  >>> a ** 2
  array([ 1,  4,  9, 16])
  >>> np.sin(a)
  array([ 0.84147098,  0.90929743,  0.14112001, -0.7568025 ])
  >>> a < 3
  array([ True,  True, False, False], dtype=bool)

  矩阵的乘法，使用np.dot()来实现

  >>> A = np.array([[1, 1], [1, 0]])
  >>> B = np.array([[1 ,0], [0, 1]])
  >>> np.dot(A, B)
  array([[1, 1],
       [1, 0]])
  >>> A * B
  array([[1, 0],
       [0, 0]])
  

  sum(), max(), min()函数返回数组元素的和、最大值、最小值，同时可以指定在哪一个axis进行运算

  >>> a = np.arange(0,6).reshape(2,3)
  >>> a
  array([[0, 1, 2],
       [3, 4, 5]])
  >>> a.sum()
  15
  >>> a.sum(axis=0) # 在第一个axis上进行运算，在这里是列
  array([3, 5, 7])
  >>> a.sum(axis=1) # 在第二个axis上，即行
  array([ 3, 12])
  >>> a.max()
  5
  >>> a.max(axis=0)
  array([3, 4, 5])
  >>> a.max(axis=1)
  array([2, 5])
  >>> a.min()
  0
  >>> a.min(axis=0)
  array([0, 1, 2])
  >>> a.min(axis=1)
  array([0, 3])
  >>> 
  

  还有一些比如np.sin(), np.cos(),np.exp()等一些通用函数可进行复杂数学运算。