python怎么安装numpy库-Python NumPy库的安装和使用

NumPy 就是一个数学运算的库，其是用 C 语言实现的，所以运算速度非常快。该模块也不是 Python 自带的，需要自行安装。

可以使用 PIP 进行安装，命令如下：

pip install numpy

使用该模块之前需要将其引入，常用方法是：

import numpy as np

这样以后就可以使用 np 来表示该模块了。

NumPy 最常见的数据结构是 ndarray，ndarray 表示 N-dimentioanl Array，就是多维数组的意思。本节也从这里开始介绍 NumPy。

ndarray的构造

可以使用多种方式来构建多维数组，最常见的是使用列表来构建多维数组。下面的例子便使用一维列表构建了一个一维数组。

>>> import numpy as np

>>> nda1 = np.array([1, 2, 3]) # 使用一维列表来作为输入

>>> nda1

array([1, 2, 3])6 >>> type(nda1)

如果希望构建二维数组，可以使用下面的方法：

>>> input_list = [

... [1, 2, 3],

... [4, 5, 6]

... ]

>>> nda2 = np.array(input_list)

>>> nda2

array([[1, 2, 3], # 查看值

[4, 5, 6]])

>>> type(nda2) # 查看类型

也可以指定一些特征值，让 NumPy 自动产生相关的数组。例如指定维度，让其产生所有元素都为 0 的数组，代码如下：

>>> np.zeros(5) # 5个元素的一维数组

array([0., 0., 0., 0., 0.])

>>> np.zeros((5, 2)) # 二维数组，5行，2列

array([[0., 0.],

[0., 0.],

[0., 0.],

[0., 0.],

[0., 0.]])

也可以指定维度，让其产生所有元素值都为 1 的数组，代码如下：

>>> np.ones((5, 2)) # 二维数组，5行，2列，所有元素都为1

array([[1., 1.],

[1., 1.],

[1., 1.],

[1., 1.],

[1., 1.]])

>>> np.ones(5) # 一维数组，5个元素

array([1., 1., 1., 1., 1.])

还可以让 NumPy 自动产生等差数组，此时需要指定开始值、结束值和步长。代码如下：

>>> np.arange(3,7,2) # 从3开始，直到7，步长为2

array([3, 5])

>>> np.arange(3,7,1) # 从3开始，直到7，步长为1

array([3, 4, 5, 6])

>>> np.arange(7, 3, -1) # 从7开始，直到3，步长为-1

array([7, 6, 5, 4])

>>> np.arange(7, 3, -2) # 从7开始，直到3，步长为-2

array([7, 5])

arange() 函数和 range() 类似，如果仅提供一个值，那么开始值是 0，步长是 1，代码如下：

>>> np.arange(7)

array([0, 1, 2, 3, 4, 5, 6])

如果提供两个参数，那么步长为 1：

>>> np.arange(2, 5) # 从2开始，直到5，步长为1

array([2, 3, 4])

>>> np.arange(2, 6) # 从2开始，直到6，步长为1

array([2, 3, 4, 5])

另外一个等差数列函数是 linspace()，其指定开始位置和结束位置，但不指定步长，而是指定元素个数。例如从 1 开始，到 5 结束，一共有 8 个数，那么生成的数组如下面所示：

>>> np.linspace(1, 5, 8) # 包括1和5，等分8个点

array([1. , 1.57142857, 2.14285714, 2.71428571, 3.28571429,

3.85714286, 4.42857143, 5])

可以发现元素个数和指定的一致，开始值和结束值也都被包含，而且它们的确是等差数列。

linspace() 函数比较有用，例如要画正弦函数在 0 到 2π 之间的图形，便可以使用该函数在 0 到 2π 之间产生均匀分布的 100 个点，然后使用 matplotlib 将它们画出来。下面是演示的代码：

import matplotlib.pyplot as plt

import numpy as np

x = np.linspace(0, 2*np.pi, 100)

y = [np.sin(e) for e in x]

plt.plot(x, y)

plt.savefig("sindemo1.png")

运行后产生的图片如图 1 所示。

图 1 y=sin(x)的曲线

还可以使用 logspace() 函数让 NumPy 自动产生等比数列，此时需要指定开始点和结束点，同时指定点的个数。如果没有提供点的数目，默认是生成 50 个点。

>>> np.logspace(2.0, 3.0, num=4) # 4个点，其实位置是102，结束位置是103

array([ 100. , 215.443469, 464.15888336, 1000.])

下面是一个例子，其演示了 logspace() 的用法和参数 endpoint 的用法。endpoint=True 表示结束值被包含在输出数组中，否则表示不包含在输出数组中。下面是完整的代码：

import matplotlib.pyplot as plt

import numpy as np

N = 10 # 一共10个点

x1 = np.logspace(0.1, 1, N, endpoint=True) # 10被算作是最后一个点

x2 = np.logspace(0.1, 1, N, endpoint=False) # 10不被算作是最后一个点

y = np.zeros(N)

plt.plot(x1, y, 'o')

plt.plot(x2, y + 0.5, 'x')

plt.ylim([-0.5, 1]) # y轴的范围是-0.5到1

plt.savefig("logspace1.png") # 保存图片到文件

运行该脚本，得到的输出图片如图 2 所示。

图 2 logspace()的用法

还可以使用 full() 函数指定维度和一个值，让所有的元素都等于该值。该函数和 ones() 类似，但值是由用户指定的。

>>> np.full((2, 2), np.inf) # 所有元素都是无穷大

array([[inf, inf],

[inf, inf]])

>>> np.full((2, 2), 11) # 所有元素都是11

array([[11, 11],

[11, 11]])

>>> np.full((2, 2), 1.51) # 所有元素都是1.51

array([[1.51, 1.51],

[1.51, 1.51]])

使用 eye() 函数还可以自动生成单位矩阵，就是仅对角线上的值为 1，其他位置上的值都为 0。

>>> np.eye(2) # 2x2的单位矩阵

array([[1., 0.],

[0., 1.]])

>>> np.eye(3) # 3x3的单位矩阵

array([[1., 0., 0.],

[0., 1., 0.],

[0., 0., 1.]])

还可以自动产生随机的矩阵，例如可以使用 random.normal() 函数产生一个正态分布的一维矩阵：

>>> mu, sigma = 0, 0.1 # mu是平均值，sigma代表分散程度

>>> s = np.random.normal(mu, sigma, 1000)

>>> s.size # 元素个数为1000

1000

>>> np.mean(s) # 平均值接近0

-0.0011152161285000821

>>> abs(mu - np.mean(s)) < 0.01 # 平均值接近mu=0

True

>>> abs(sigma - np.std(s, ddof=1)) < 0.01 # 分散程度检查

True

可以将生成的数据画出来，使用下面的代码：

import matplotlib.pyplot as plt

import numpy as np

mu, sigma = 0, 0.1

s = np.random.normal(mu, sigma, 1000)

count, bins, ignored = plt.hist(s, 30, density=True)

plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *

np.exp( - (bins - mu)**2 / (2 * sigma**2) ),

linewidth=2, color='r')

plt.savefig("rand1.png")

运行该脚本，得到的输出图片文件如图 3 所示。

图 3 正态分布

还可以生成完全随机的矩阵，方法是使用 np.random.rand（外形）函数。例如在下面的例子中，就生成了随机内容组成的指定外形的矩阵。

>>> np.random.rand(3,2) # 3x2的二维矩阵

array([[0.11319256, 0.84668147],

[0.4040353 , 0.70912343],

[0.6511614 , 0.80706271]])

>>> np.random.rand(3,2,2) # 3x2x2的三维矩阵

array([[[0.64851863, 0.3895985 ],

[0.63038544, 0.58402249]],

[[0.39816687, 0.92149102],

[0.07113285, 0.17109903]],

[[0.06713956, 0.39415293],

[0.06125844, 0.71276929]]])

>>> np.random.rand(4) # 一维矩阵

array([0.11918788, 0.91847982, 0.29599804, 0.42242323])