python向量计算库教程_Python进阶-Numpy科学计算库(简单入门)

Numpy简介

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，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。

NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。

安装

因为我使用的是python3，因此需要自己手动来安装Numpy

pip3 install numpy

一般来说这条命令就可以安装成功了

如果失败的话可能是因为权限的问题可以尝试在命令前加一个’sudo’,即

​

sudo pip3 install numpy

然后按照提示输入密码就可以了

现在numpy就安装成功了

首先对将numpy引入

1

import numpy as np # np就相当于numpy的别名了

基础的属性

创建一个矩阵的语法为

1

name = np.array([[...]...])

例如，要创建一个3x1的矩阵，矩阵名为array

1

2

3

4

array = np.array([[123],[456],[789]])

# 3x3矩阵的建立方法

array = np.array([[1,2,3],[4,5,6],[7,8,9]])

打印出来看下

1

2

3

4

>>> print(array)

[[123]

[456]

[789]]

其他的一些简单的属性

1

2

3

4

5

6

7

8

>>> print(array.ndim) # 矩阵的维度

2

>>> print(array.shape) # 矩阵的形状

(3, 1)

>>> print(array.size) # 矩阵的大小(元素个数)

3

>>> print(array.dtype) # 矩阵中元素类型

int64

创建array

在创建的同时声明元素类型

使用上文中的方法的话，我们并没有办法制定元素的类型，因此我们可以通过在创建时声明元素类型来解决这个问题

1

2

a = np.array([1,2,3],dtype = np.int32)

b = np.array([2,3,4],dtype = np.float)

特殊矩阵

如果我们需要一个元素全为0的矩阵的话，可以使用numpy中的zeros()

1

2

3

4

>>> zero = np.zeros((2,3)) # 创建一个2x3的零矩阵

>>> print(zero)

[[0,0,0]

[0,0,0]]

同理，我们还可以生成全为1的制定大小的矩阵

1

one = np.ones(3,4)

empty矩阵

1

2

3

4

>>> empty = np.empty((2,3))

>>> print(empty)

[[0,0,0]

[0,0,0]]

​ 需要注意的是empty所创建出来的矩阵所有元素都不为0，但是非常接近于0.

​ 因此在我们需要使用一个矩阵来除以empty矩阵的时候，就不会出错了。反之，除以zero矩阵的话就不对了。

生成矩阵的其他方法

arange

1

2

3

4

5

6

7

8

9

>>> c = np.arange(10) # 生成一个0到9的一维矩阵

>>> print(c)

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

>>> d = np.arange(4,12) # 生成一个[4,12)的一维矩阵

>>> print(d)

[4 5 6 7 8 9 10 11]

>>> e = np.arange(1,20,3) # [1,20) 间隔为3

>>> print(e)

[1 4 7 10 13 16 19]

rashap 重新定义矩阵的形状

1

2

3

4

5

6

7

8

9

10

11

12

>>> f = np.arange(8)

>>> print(f)

[0 1 2 3 4 5 6 7]

>>> f = f.reshape(4,2)

>>> print(f)

[[0 1]

[2 3]

[4 5]

[6 7]]

>>> f.reshape(2,4)

array([[0, 1, 2, 3],

[4, 5, 6, 7]])

矩阵的运算1

简单的运算

​ 简单的加、减、乘、除、取余、取整、阶乘等运算方式都是按位置1对1进行运算

​ 但是要求矩阵的行与列都是相同的

​ 要注意矩阵间的运算并不是这样，具体规则在下方

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

>>> arr1 = np.array([[1,2,3],[4,5,6]])

>>> arr2 = np.array([[1,1,2],[2,3,3]])

>>> print(arr1)

[[1 2 3]

[4 5 6]]

>>> print(arr2)

[[1 1 2]

[2 3 3]]

>>> print(arr1+arr2) # 加法

[[2 3 5]

[6 8 9]]

>>> print(arr1-arr2) # 减法

[[0 1 1]

[2 2 3]]

>>> print(arr1*arr2) # 乘法

[[ 1 2 6]

[ 8 15 18]]

>>> print(arr1**arr2) # 阶乘

[[ 1 2 9]

[ 16 125 216]]

>>> print(arr1/arr2) # 除法

[[1. 2. 1.5 ]

[2. 1.66666667 2. ]]

>>> print(arr1%arr2) # 取余

[[0 0 1]

[0 2 0]]

>>> print(arr1//arr2) # 取整

[[1 2 1]

[2 1 2]]

>>> print(arr1+1) # 所有元素都加一个数

[[2 3 4]

[5 6 7]]

# 减法、乘法、除法等也一样

>>> arr3 = arr1 > 3 # 比较判断

>>> print(arr3)

[[False False False]

[ True True True]]

矩阵的运算

​ 矩阵间的运算规则与线代中的方法相同

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

>>> arr4 = np.ones((3,5)) # 定义一个元素全为1的矩阵

>>> np.dot(arr1,arr4) # 矩阵arr1与arr4相乘

array([[ 6., 6., 6., 6., 6.],

[15., 15., 15., 15., 15.]])

>>> arr1.dot(arr4) # 同上

array([[ 6., 6., 6., 6., 6.],

[15., 15., 15., 15., 15.]])

>>> print(arr1.T) # 转置矩阵

[[1 4]

[2 5]

[3 6]]

>>> print(np.transpose(arr1)) # 同上

[[1 4]

[2 5]

[3 6]]

随机数的生成以及矩阵的运算2

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

# 生成3x2的在0-1之间的随机数

>>> sample1 = np.random.random((3,2))

>>> print(sample1)

[[0.59323399 0.16406566]

[0.53314295 0.42851363]

[0.06050496 0.50214404]]

# 生成3x2的符合标准正态分布的随机数

>>> sample2 = np.random.normal(size=(3,2))

>>> print(sample2)

[[-0.90205973 -0.08097247]

[ 1.72986545 -0.81119537]

[-0.40989374 0.27041087]]

# 生成3x2的0-10之间的整数随机数

>>> sample3 = np.random.randint(0,10,size=(3,2))

>>> print(sample3)

[[6 2]

[9 6]

[0 3]]

# 求和

>>> np.sum(sample1)

2.281605244421956

# 求最小值 max同理

>>> np.min(sample1)

0.06050496121103843

# axis = 0 对列求和

# axis = 1 对行求和

>>> np.sum(sample1,axis = 0)

array([1.18688191, 1.09472334])

>>> np.sum(sample1,axis = 1)

array([0.75729965, 0.96165658, 0.562649 ])

# 求最大值最小值索引

>>> np.argmax(sample1)

>>> np.argmin(sample1)

# 求平均值

>>> print(np.mean(sample1))

>>> print(sample1.mean())

# 求中位数

>>> np.median(sample1)

# 求开方的结果

>>> np.sqrt(sample1)

# 排序

>>> sample4 = np.random.randint(0,10,size=(1,10))

>>> print(sample4)

[[6 6 2 5 6 1 0 2 7 6]]

>>> np.sort(sample4)

array([[0, 1, 2, 2, 5, 6, 6, 6, 6, 7]])

# 如果是多维的话，则会对每一行进行排序

>>> np.sort(sample1)

array([[0.16406566, 0.59323399],

[0.42851363, 0.53314295],

[0.06050496, 0.50214404]])

# sample4中的元素小于2的会变成2，大于7的会变成7

>>> np.clip(sample4,3,7)

array([[6, 6, 3, 5, 6, 3, 3, 3, 7, 6]])

numpy的索引

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

>>> arr1 = np.arange(2,14)

>>> print(arr1)

[ 2 3 4 5 6 7 8 9 10 11 12 13]

>>> print(arr1[2]) # 第二个位置的数据

4

# 个人感觉和数组很像(小声BB,下边的内容还没看

>>> print(arr1[1:4]) # [1,4)的数据

[3 4 5]

# 最后一个位置为-1

>>> print(arr1[2:-1]) # [2,-1)的数据

[ 4 5 6 7 8 9 10 11 12]

# 空着的话默认从最两侧的位置开始

>>> print(arr1[:5])

[2 3 4 5 6]

>>> print(arr1[-2:])

[12 13]

>>> arr2 = arr1.reshape(3,4)

# (像二维数组~~~

>>> print(arr2)

[[ 2 3 4 5]

[ 6 7 8 9]

[10 11 12 13]]

>>> print(arr2[1])

[6 7 8 9]

>>> print(arr2[1][1])

7

>>> print(arr2[1,1])

7

>>> print(arr2[:,2]) # 提取所有的行的第二列

[ 4 8 12]

>>> for i in arr2: # 循环,迭代行

... print(i)

[2 3 4 5]

[6 7 8 9]

[10 11 12 13]

>>> for i in arr2.T: # 使用转置,迭代列

... print(i)

[ 2 6 10]

[ 3 7 11]

[ 4 8 12]

[ 5 9 13]

>>> for i in arr2.flat: # 迭代元素

... print(i)

2

3

...

12

13

array的合并

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

# 垂直合并

>>> arr1 = np.array([1,2,3])

>>> arr2 = np.array([4,5,6])

>>> arr3 = np.vstack((arr1,arr2))

>>> print(arr3)

[[1 2 3]

[4 5 6]]

>>> print(arr3.shape)

(2, 3)

# 水平合并

>>> arr4 = np.hstack((arr1,arr2))

>>> print(arr4)

[1 2 3 4 5 6]

>>> print(arr4.shape)

(6,)

>>> arrv = np.vstack((arr1,arr2,arr3))

# 合并多行/列

>>> print(arrv)

[[1 2 3]

[4 5 6]

[1 2 3]

[4 5 6]]

>>> arrh = np.hstack((arr1,arr2,arr4))

>>> print(arrh)

[1 2 3 4 5 6 1 2 3 4 5 6]

# 使用参数控制按行/列合并

# axis = 0 垂直合并 (合并的array维度要相同,形状要匹配)

# axis = 1 水平合并 (合并的array维度要相同,形状要匹配)

>>> arr = np.concatenate((arr3,arrv),axis=0)

>>> print(arr)

[[1 2 3]

[4 5 6]

[1 2 3]

[4 5 6]

[1 2 3]

[4 5 6]]

# 一维的array不能转置

>>> print(arr1)

[1 2 3]

>>> print(arr1.T)

[1 2 3]

# 增加维度

# 注意newaxis的位置

>>> print(arr1.shape)

(3,)

>>> arr1_1 = arr1[np.newaxis,:]

>>> print(arr1_1)

[[1 2 3]]

>>> print(arr1_1.shape)

(1, 3)

>>> print(arr1_1.T) # 转置

[[1]

[2]

[3]]

>>> arr1_2 = arr1[:,np.newaxis]

>>> print(arr1_2)

[[1]

[2]

[3]]

>>> print(arr1_2.shape)

(3, 1)

# atleast_xd 变为x维的矩阵

>>> arr1_3 = np.atleast_2d(arr1)

>>> print(arr1_3)

[[1 2 3]]

>>> print(arr1_3.T)

[[1]

[2]

[3]]

array分割

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

>>> arr1 = np.arange(12).reshape(3,4)

>>> print(arr1)

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

# 将arr1分割

# axis = 1 水平方向切割

>>> arr2,arr3 = np.split(arr1,2,axis=1)

# arr2,arr3 = np.hsplit(arr1,2)

>>> print(arr2)

[[0 1]

[4 5]

[8 9]]

>>> print(arr3)

[[ 2 3]

[ 6 7]

[10 11]]

# axis = 0 垂直方向分割

>>> arr4,arr5,arr6 = np.split(arr1,3,axis=0)

# arr4,arr5,arr6 = np.vsplit(arr1,3)

>>> print(arr4)

[[0 1 2 3]]

>>> print(arr5)

[[4 5 6 7]]

>>> print(arr6)

[[ 8 9 10 11]]

# 不等分切割

>>> arr2,arr3,arr4 = np.array_split(arr1,3,axis=1)

>>> print(arr2)

[[0 1]

[4 5]

[8 9]]

>>> print(arr3)

[[ 2]

[ 6]

[10]]

>>> print(arr4)

[[ 3]

[ 7]

[11]]

numpy的浅拷贝和深拷贝

1

2

3

4

5

6

7

8

9

# 个人理解：类似于指针和形参

# 浅拷贝：指针

# 深拷贝：形参

# 浅拷贝

arr2 = arr1

#深拷贝

arr2 = arr1.copy()