1. NumPy的基础使用涵盖如下内容:
数据类型
数组类型
类型转换
创建数组
数组索引
数组切片
改变维度
2. NumPy数组对象:
NumPy中的ndarray是一个多维数组对象,该兑现共有两部分组成:
实际的数据
描述这些数据的元数据。
大部分的数组操作仅仅修改元数据部分而不改变底层的实际数据(其实就是一种浅拷贝理解)。
ndarray支持更高的维度,因为数组一般是同质的,所以数组所有的元素类型必须是一致的。
NumPy与Python一样数组的下标都是从0开始的。
2.1 numpy.arange()创建数组和numpy.array()创建向量:
dtype:
import numpy as np
a = np.arange(5)
print(a.dtype)
arange(开始值,结束值,dtype)
dtype返回的是数据类型,这里返回的是int32或int64
shape:
import numpy as np
a = np.array([0,1,2,3,4])
print(a.shape)
(5,)
我们用shape返回向量的维度,这里是5行,列为空,返回值为元组类型。
2.2 创建多维数组:
import numpy as np
a = np.array([np.arange(2),np.arange(2)])
print(a)
#[[0 1]
# [0 1]]
print(a.shape)
#(2, 2)
我们将arange函数创建的数组作为向量/列表的元素,把这个列表作为参数传递给array函数,从而创建了一个2*2的多维数组。
2.3 选取数组元素:
有时候我们需要选取数组中的某个特定元素。喜爱宝是从0开始的
import numpy as np
a = np.array([[1,2],[3,4]])
print(a)
#[[1 2]
# [3 4]]
print(a[0,0])
#1
print(a[1,1])
#4
我们发现,在整个数组必须有一个大的括号包裹进里面的内容。
2.4 数据类型:
a = np.array([[1,2],[3,4]],dtype='f')
这些类型有些资料可以查找。另外还可以指定复数数组。
2.5 自定义数据类型和dtype类的属性:
查看占用字节数:
itemsize
import numpy as np
a = np.array([[1,2],[3,4]],dtype='f')
print(a.dtype.itemsize)
#4
自定义数据类型用dtype,然后在调用:
import numpy as np t = np.dtype([('name',str,40),('numitems',int),('price',float)]) print(t) #[('name', '<U40'), ('numitems', '<i4'), ('price', '<f8')] print(t['name']) #<U40 itemz = np.array([('Meaning of life DVD',42,3.14),('Butter',13,2.72)],dtype=t) print(itemz[1]) #('Butter', 13, 2.72)
2.6 一维数组的索引和切片:
import numpy as np
a = np.arange(9)
print(a)
#[0 1 2 3 4 5 6 7 8]
print(a[3:7])
#[3 4 5 6]
print(a[:7:2])
#[0 2 4 6]
print(a[::-1])
#[8 7 6 5 4 3 2 1 0]
我们发现这和Python列表的索引和切片是一样的。
2.7 多维数组的切片和索引:
reshape:表示三维坐标来选定任意一个,即楼层、行号、列号
import numpy as np
b0 = np.arange(24)
print(b0)
#[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
b = np.arange(24).reshape(2,3,4)
print(b)
#[[[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
#
# [[12 13 14 15]
# [16 17 18 19]
# [20 21 22 23]]]
print(b.shape)
#(2, 3, 4)
print(b[:,0,0])
#[ 0 12]
2.8 改变数组的维度:
reshape(a,newshape,order='C')
其中:
a:数组-需要处理的数据。
newshape:新格式-整数或数组(2,3)表示2行3列。新的形状应该与原来的形状金融。
order:情况比前面两个参数有些复杂,这里会用比较大的篇幅解释,并在后面给出一个比较容易的示例。
“C”指的是用类C写的读/索引顺序的元素,最后一个维度变化最快,第一个维度变化最慢。以二维数组为例,简单来讲就是横着读,横着写,优先读/写一行。
“F”是指用FORTRAN类索引顺序读/写元素,最后一个维度变化最慢,第一个维度变化最快。竖着读,竖着写,优先读/写一列。注意,“C”和“F”选项不考虑底层数组的内存布局,只引用索引的顺序。
“A”选项所生成的数组的效果与原数组a的数据存储方式有关,如果数据是按照FORTRAN存储的话,它的生成效果与”F“相同,否则与“C”相同。这里可能听起来有点模糊,下面会给出示例。
注:FORTRAN和C是两个语言,他们存储数组的方式不同,FORTRSAN为列有限,而C为行优先。在python中默认数组生成的时候是按照C的方式进行存储。但,很多时候我们需要调用Fortran的一些库进行数学计算,所以需要让numpy生成的数组变成按照FORTRAN的方式存储。
import numpy as np
b0 = np.arange(4)
print(b0)
#[0 1 2 3]
b1 = b0.reshape((2,2))
print(b1)
#[[0 1]
# [2 3]]
b2 = np.arange(8)
b3 = b2.reshape(2,2,2)
print(b3)
#[[[0 1]
# [2 3]]
#
# [[4 5]
# [6 7]]]
ravel:
对矩阵进行展平操作:
import numpy as np
b0 = np.array([np.arange(2),np.arange(2)])
print(b0)
#
#[[0 1]
# [0 1]]
print(b0.ravel())
#[0 1 0 1]
flatten:
· 也是展平操作,与ravel函数的功能相同。但是flatten函数会请求分配内存来报错结果,而ravel函数知识返回数组的一个视图(view)
resize:
与reshaple函数工呢狗一样,但是热死则会直接修改锁操作的数组。
transpose:
转置操作,属于数组的运算:
import numpy as np
b0 = np.array([np.arange(2),np.arange(2)])
print(b0)
#
#[[0 1]
# [0 1]]
print(b0.transpose())
#[[0 0]
# [1 1]]
2.9 数组的组合:
vstack:
垂直组合
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
b = 2 * a
print(b)
#[[ 0 2 4]
# [ 6 8 10]
# [12 14 16]]
print(np.vstack((a,b)))
#[[ 0 1 2]
# [ 3 4 5]
# [ 6 7 8]
# [ 0 2 4]
# [ 6 8 10]
# [12 14 16]]
dstack:
深度组合:就是将一系列数组沿着纵轴(深度)方向进行层叠组合。举个例子,有若干张二维平面内的图像点阵数据,我们可以讲这些图像数据沿着纵轴方向层叠一起,就香香的解释了什么是深度组合。
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
b = 2 * a
print(b)
#[[ 0 2 4]
# [ 6 8 10]
# [12 14 16]]
print(np.dstack((a,b)))
#[[[ 0 0]
# [ 1 2]
# [ 2 4]]
#
# [[ 3 6]
# [ 4 8]
# [ 5 10]]
#
# [[ 6 12]
# [ 7 14]
# [ 8 16]]]
hstack:
水平组合
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
b = 2 * a
print(b)
#[[ 0 2 4]
# [ 6 8 10]
# [12 14 16]]
print(np.hstack((a,b)))
#[[ 0 1 2 0 2 4]
# [ 3 4 5 6 8 10]
# [ 6 7 8 12 14 16]]
colum_stack:
列组合:column_stack函数对于一维数组将按照列方向进行组合。
import numpy as np
# 一维数组
oned = np.arange(2)
print(oned)
#[0 1]
twice_oned = 2 * oned
print(twice_oned)
#[0 2]
print(np.column_stack((oned,twice_oned)))
#[[0 0]
# [1 2]]
# 二维数组:对于二维数组column_stack的效果是hstack的效果是一样的。
row_stack:
行组合:对于两个以为少数族直接层叠起来合成一个二维数组。
concatenate:
这个的效果和hstack的效果是一样的。
2.10 数组的分割:
hsplit:
水平分割
import numpy as np
a = np.arange(9)
a = a.reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
# 水平分割为3个大小相同的子数组
print(np.hsplit(a,3))
#[array([[0],
# [3],
# [6]]),
#array([[1],
# [4],
# [7]]),
#array([[2],
# [5],
# [8]])]
vsplit:
垂直分割:
dsplit:
深度分割:
split:
默认分割
print(np.split(a,3,axis=1))
1 = 垂直,0 =水平
2.11 数组的属性:
ndim属性,给出数组的维数或者数组轴的个数
size属性,给出数组元素的总个数
itemsize属性,给出数组中的元素在内存中所占的字节数
real属性,给出实部
image属性,给出虚部
flat属性将返回一个numpy.flatiter对象,这是获得flatiter对象的唯一方式,我们无法访问flatiter的构造函数。这个所谓“扁平迭代器”,可以让我们像遍历一维数组一样去遍历任意多维数组。
2.12 数组的转换:
tolist:
将numpy数组格式转换成python列表模式
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
b = a.tolist()
print(b,type(b))
# [6 7 8]]
#[[0, 1, 2], [3, 4, 5], [6, 7, 8]] <class 'list'>
2.13 数组的运算:
加减乘除
转置:transpose
逆矩阵:linalg.inv()
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
b = np.linalg.pinv(a)
print(b)
#[[-5.55555556e-01 -1.66666667e-01 2.22222222e-01]
# [-5.55555556e-02 2.01227923e-16 5.55555556e-02]
# [ 4.44444444e-01 1.66666667e-01 -1.11111111e-01]]
对角线矩阵:eye
a = np.arange(9).reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
b = np.eye(9,9)
print(b)
#[[1. 0. 0. 0. 0. 0. 0. 0. 0.]
# [0. 1. 0. 0. 0. 0. 0. 0. 0.]
# [0. 0. 1. 0. 0. 0. 0. 0. 0.]
# [0. 0. 0. 1. 0. 0. 0. 0. 0.]
# [0. 0. 0. 0. 1. 0. 0. 0. 0.]
# [0. 0. 0. 0. 0. 1. 0. 0. 0.]
# [0. 0. 0. 0. 0. 0. 1. 0. 0.]
# [0. 0. 0. 0. 0. 0. 0. 1. 0.]
# [0. 0. 0. 0. 0. 0. 0. 0. 1.]]
零矩阵:zeros
空矩阵:empty
三角矩阵:diag
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
#[[0 1 2]
# [3 4 5]
# [6 7 8]]
b = np.diag((1,2,3))
print(b)
#[[1 0 0]
# [0 2 0]
# [0 0 3]]
2.14 矩阵库Matrix函数:
matrices必须是二维的,但是numpy arrays(ndarrays可以是多维的),matrix最主要的优势就是类似于matlab中的格式很相似,不用方括号括起来看起来不那么方便。但是是一种矩阵格式的数据不是ndarrays数据的格式,同样也可以通过tolist进行转化
import numpy as np
a = np.mat('4 3;2 1')
print(a)
#[[4 3]
# [2 1]]
print(type(a))
#<class 'numpy.matrixlib.defmatrix.matrix'>
b = a.tolist()
print(b,type(b))
#[[4, 3], [2, 1]] <class 'list'>