Numpy 数组对象
Numpy 数组中数据项的类型一致；运用向量化来处理整个数组，数度较快；python的列表使用循环遍历，运行速率差。
向量化和标量化：
python 的list 进行循环遍历：
def pySum():
a = list(range(10000))
b = list(range(10000))
c = []
for i in range(len(a)):
c.append(a[i]**2+b[i]**2)
return c
%timeit pySum()
Out[]:
7.88 ms ± 173 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)使用 numpy 进行向量化运算
import numpy as np
def npSum():
a = np.arange(1000)
b = np.arange(1000)
c = a ** 2 + b**2
return c
%timeit npSum()
Out[]:
7.58 µs ± 186 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)创建ndarray数组
- 基于list或tuple， 创建一维或者二维数组
#基于list
arr_1 = np.array([1,2,3,4])
print(arr_1)
Out[]:
[1 2 3 4]
#基于tuple
arr_tuple = np.array((1, 2, 3, 4))
print(arr_tuple)
Out[]:
[1 2 3 4]
arr_2 = np.array([[1,2,3,4], [5,6,7,8]])
print(arr_2)
Out[]:
[[1 2 3 4]
[5 6 7 8]]- 基于np.arange()
arange_1 = np.arange(5)
print(arange_1)
Out[]:
[0 1 2 3 4]
arrange_2 = np.array([np.arange(5), np.arange(5)])
print(arrange_2)
Out[]:
[[0 1 2 3 4]
[0 1 2 3 4]]3.基于arange 以及 reshape 创建多维数组
arr_arange = np.arange(24).reshape(2, 3, 4)
print(arr_arange)
Out[]:
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]- numpy.random 创建数组
1）numpy.random.rand(d0, d1…dn)
rand 函数根据给定维度随机生成[0, 1)之间的数据
dn表示维度
arr_rand = np.random.rand(4, 2) # 4x2维
print(arr_rand)
Out[]:
[[0.50890399 0.99617095]
[0.24540799 0.98889552]
[0.77956855 0.31230231]
[0.49621484 0.96190756]]2）numpy.random.randn(d0, d1, …,dn)
randn 函数返回一个或一组样本，具有标准正态分布。
• 标准正态分布—standard normal distribution
• 标准正态分布又称为 u 分布，是以 0 为均值、以 1 为标准差的正态分布，记为 N（0，1）。
randn_arr = np.random.randn() # 当 没 有 参 数 时 ， 返 回 单 个 数 据
print(randn_arr)
Out[]:
1.9738299282232168
rand1_arr = np.random.rand(4, 2)
print(rand1_arr)
Out[]:
[[0.76553421 0.60120231]
[0.0821647 0.63307704]
[0.80629446 0.5506062 ]
[0.50273055 0.82052982]]3)numpy.random.randint(low, high=None, size=None, dtype=“l”)
在区间[low, high)返回随机整数，不包含high,
size 为维度大小，dtype 为数据类型，默认的数据类型是 np.int。
若high没有填写，则随机数范围区间[0, low)
radint = np.random.randint(1, size=5) # 返 回 [0,1) 之 间 的 整 数 ，
radint
Out[21]:array([0, 0, 0, 0, 0])
radint_1 = np.random.randint(1, 5) # 返 回 1 个 [1,5) 时 间 的 随 机 整 数
radint_1
Out[22]:1
adint_2 = np.random.randint(-5, 5, size=(2, 2))
radint_2
Out[23]:array([[-2, 4],
[-4, 1]])4)numpy.random.random_integers(low, high=None, size=None)
• 返回随机整数，范围区间为 [low,high]，包含 low 和 high
• 参数：low 为最小值，high 为最大值，size 为数组维度大小
• high 没有填写时，默认生成随机数的范围是 [1，low]
该函数在最新的 numpy 版本中已被替代，建议使用 randint 函数
5)生成[0,1)之间的浮点数
• numpy.random.random_sample(size=None)
• numpy.random.random(size=None)
• numpy.random.ranf(size=None)
• numpy.random.sample(size=None)
print(np.random.random_sample(size=(2, 2)))
print(np.random.random(size=(2, 2)))
print(np.random.ranf(size=(2, 2)))
print(np.random.sample(size=(2, 2)))
Out[25]:
[[0.1475009 0.13088664]
[0.53565553 0.35389504]]
[[0.12350834 0.95088076]
[0.42499702 0.14313006]]
[[0.59485327 0.36676694]
[0.4258283 0.51248472]]
[[0.19318311 0.24523378]
[0.92230069 0.88279368]]5)numpy.random.choice(a, size=None, replace=True, p=None)
• 从给定的一维数组中生成随机数
• 参数：a 为一维数组类似数据或整数；size 为数组维度；p 为数组中的数据出现的概率
• a 为整数时，对应的一维数组为 np.arange(a)
• 参数 p 的长度与参数 a 的长度需要一致；
• 参数 p 为概率，p 里的数据之和应为 1
In [26]: np.random.choice(5,3)
Out[26]:array([4, 4, 3])
In [27]:np.random.choice(5, 3, replace=False) # 当 replace 为 False 时 ， 生 成 的 随 机 数 不 能 有 重 复 的 数 值xnp.random.choice(5, 3, replace=False)
Out[27]:array([2, 3, 0])
np.random.choice(['1', '2', '4', '7', '9','5'], size=(3,2))
Out[28]:array([['5', '4'],
['1', '4'],
['9', '7']], dtype='<U1')
In[31]:np.random.choice(['1', '2', '4', '7', '9','5'], size=(3,2),p=[0.1,0.5,0.1,0.1,0.1,0.1])xnp.random.choice(['1', '2', '4', '7', '9','5'], size=(3,2),p=[0.1,0.5,0.1,0.1,0.1,0.1])
Out[31]:array([['7', '5'],
['7', '1'],
['2', '9']], dtype='<U1')6)numpy.random.seed()
• np.random.seed() 的作用：使得随机数据可预测。
• 当我们设置相同的 seed，每次生成的随机数相同。如果不设置 seed，则每次会生成不同的随机数
In [32]: np.random.seed(0)np.random.rand(5)
Out[32]:array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
In[33]:np.random.seed(2000)np.random.rand(5)
Out[33]:array([0.57051729, 0.56452876, 0.48844183, 0.33647775, 0.37586818])
In[34]:np.random.seed(2000)np.random.rand(5)
Out[34]:array([0.57051729, 0.56452876, 0.48844183, 0.33647775, 0.37586818])Numpy 的数值类型
创建ndarray数组时，可以指定数值类型:
In[35]:np.arange(5, dtype=float)xnp.arange(5, dtype=float)
Out[35]:array([0., 1., 2., 3., 4.])ndarray数组的属性
- dtype属性，数组的数据类型
In[38]: np.array([1.22, 3.333, 9], dtype='int8')
Out[38]:array([1, 3, 9], dtype=int8)
In [39]: np.arange(4, dtype='D') # 'D' 表 示 复 数 类 型
Out[39]:array([0.+0.j, 1.+0.j, 2.+0.j, 3.+0.j])- ndim属性，数组的维度数量
In [41]: aa = np.array([[1,4,6], [9,0,2]])
aa.ndim
Out[41]:2- shape属性，数组对象尺度，对于矩阵即n行m列
In [42]: aa.shape
Out[42]:(2, 3)- size属性保存元素的数量，相当于 n x m的值
In [43]: aa.size
Out[43]:6- itemsize 属性，返回数组中各个元素所占字节数大小
In[44]:aa.itemsize
Out[44]:4- nbytes 属性，整个数组所需要的字节数量，等于size x itemsize
In [45]: aa.nbytes
Out[45]:24- T 属性，数组转置
In[47]:nb = np.arange(24).reshape(4,6)
nb
Out[47]:array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
In [48]: nb.T
Out[48]:array([[ 0, 6, 12, 18],
[ 1, 7, 13, 19],
[ 2, 8, 14, 20],
[ 3, 9, 15, 21],
[ 4, 10, 16, 22],
[ 5, 11, 17, 23]])- 复数的实部和虚部属性，real和imag属性
In [49]:ddn ddn = np.array([1.1 + 3j, 3+9j])
ddn
Out[49]:array([1.1+3.j, 3. +9.j])
In [50]:ddn.real #实部
Out[50]:array([1.1, 3. ])
In [51]:ddn.imag # 虚部
Out[51]:array([3., 9.])- flat 属性，返回一个numpy.flatitaer对象，即可迭代的对象
In [52]: e = np.arange(6).reshape(2,3)
e
Out[52]:array([[0, 1, 2],
[3, 4, 5]])
In [53]: f = e.flat
f
Out[53]:<numpy.flatiter at 0x1e50f14d840>
In [54]: for i in f:
print(i)
Out[54]:
0
1
2
3
4
5
In [55]: f[2] # 位置索引
Out[55]: 2
In [56]: f[[1,4]]
Out[56]: array([1, 4])
In [57]: e.flat=7 # 进行赋值
e
Out[57]: array([[7, 7, 7],
[7, 7, 7]])
In [58]: flat[[1,4]]=1
e
Out[58]: array([[7, 1, 7],
[7, 1, 7]]) ndarray数组的切片和索引
处理数组形状
- reshape() 和resize()
reshape()返回新的数组
resize()在原数组上操作，会改变原数组，相当于inplace=True
In[60]: bbb = np.arange(12).reshape(3, 4)
bbb
Out[60]: array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [61]: bbb.reshape(4,3)
Out[61]:array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]]
In [63]:bbb bbb.resize(4,3)
bbb
Out[63]:array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])- ravel() 和 flatten()，将多维数组转换成一维数组
In [64]:bbb.ravel()
Out[64]:array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
In [66]:bbb
Out[66]:array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
In [67]:bbb.flatten()
Out[67]:array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])两者的区别在于返回拷贝（copy）还是返回视图（view），flatten() 返回一份拷贝，需要分配新的内存空间，对拷贝所做的修改不会影响原始矩阵，而 ravel() 返回的是视图（view），会影响原始矩阵。
In[68]: bbb.flatten()[2] = 90 # flatten()返回的是拷贝，不影响原数组，数组bbb没有发生变化
bbb
Out[68]:array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
In[70]: bbb.ravel()[2] = 90 # ravel()返回的是视图，会影响原始数组，bbb会发生变化
bbb
Out[70]: array([[ 0, 1, 90],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])- 转置，除了T之外还可以用transpose()函数实现
In[71]:bbb.transpose()
Out[71]:array([[ 0, 3, 6, 9],
[ 1, 4, 7, 10],
[90, 5, 8, 11]])堆叠数组
- 水平叠加 hstack()
column_stack() 函数以列方式对数组进行叠加，功能类似 hstack（）
In [72]: h_a = bbb * 2h_a
Out[72]:array([[ 0, 2, 180],
[ 6, 8, 10],
[ 12, 14, 16],
[ 18, 20, 22]])
In [73]: np.hstack((bbb, h_a))
Out[73]:array([[ 0, 1, 90, 0, 2, 180],
[ 3, 4, 5, 6, 8, 10],
[ 6, 7, 8, 12, 14, 16],
[ 9, 10, 11, 18, 20, 22]])
In [74]: np.column_stack((bbb, h_a))
Out[74]:array([[ 0, 1, 90, 0, 2, 180],
[ 3, 4, 5, 6, 8, 10],
[ 6, 7, 8, 12, 14, 16],
[ 9, 10, 11, 18, 20, 22]])- 垂直叠加: vstack()
row_stack() 函数以行方式对数组进行叠加，功能类似 vstack（）
In [75]: np.vstack((bbb, h_a))
Out[75]:array([[ 0, 1, 90],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11],
[ 0, 2, 180],
[ 6, 8, 10],
[ 12, 14, 16],
[ 18, 20, 22]])
In [76]:np.row_stack((bbb, h_a))
Out[76]:array([[ 0, 1, 90],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11],
[ 0, 2, 180],
[ 6, 8, 10],
[ 12, 14, 16],
[ 18, 20, 22]])- concatenate() 方法，通过设置 axis 的值来设置叠加方向
axis=1 时，沿水平方向叠加
axis=0 时，沿垂直方向叠加
In [77]: np.concatenate((bbb, h_a), axis=1)xnp.concatenate((bbb, h_a), axis=1)
Out[77]:array([[ 0, 1, 90, 0, 2, 180],
[ 3, 4, 5, 6, 8, 10],
[ 6, 7, 8, 12, 14, 16],
[ 9, 10, 11, 18, 20, 22]])
In [78]:np.concatenate((bbb, h_a), axis=0)
Out[78]:array([[ 0, 1, 90],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11],
[ 0, 2, 180],
[ 6, 8, 10],
[ 12, 14, 16],
[ 18, 20, 22]])
- 深度叠加, np.dstack()
In [82]:d_stack = np.dstack((bbb, h_a))
print(bbb.shape, h_a.shape,d_stack.shape)
d_stack xd_stack = np.dstack((bbb, h_a))
print(bbb.shape, h_a.shape,d_stack.shape)
d_stack
(4, 3) (4, 3) (4, 3, 2)
Out[82]:array([[[ 0, 0],
[ 1, 2],
[ 90, 180]],
[[ 3, 6],
[ 4, 8],
[ 5, 10]],
[[ 6, 12],
[ 7, 14],
[ 8, 16]],
[[ 9, 18],
[ 10, 20],
[ 11, 22]]])深度叠加的示意图如下：
数组的拆分
数组的拆分可以分为横向拆分、纵向拆分以及深度拆分。涉及的函数为 hsplit()、vsplit()、dsplit() 以及 split()。
沿横向轴拆分（axis=1）
In[90]::bbb_1 = np.array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99],
[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])
bbb_1
Out[90]:array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99],
[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])
In [91]: np.hsplit(bbb_1,2)
Out[91]:[array([[ 0, 1],
[ 3, 4],
[ 6, 7],
[ 9, 10]]), array([[ 90, 100],
[ 5, 99],
[ 8, 88],
[ 11, 77]])]
In [93]np.split(bbb_1, 2, axis=1)
Out[93]:[array([[ 0, 1],
[ 3, 4],
[ 6, 7],
[ 9, 10]]), array([[ 90, 100],
[ 5, 99],
[ 8, 88],
[ 11, 77]])]沿纵向轴拆分（axis=0）
In [94]: np.vsplit(bbb_1, 2)
Out[94]:[array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99]]), array([[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])]
In [95]:np.split(bbb_1, 2, axis=0)
Out[95]:[array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99]]), array([[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])]深度拆分
In [96]: d_stack
Out[96]:array([[[ 0, 0],
[ 1, 2],
[ 90, 180]],
[[ 3, 6],
[ 4, 8],
[ 5, 10]],
[[ 6, 12],
[ 7, 14],
[ 8, 16]],
[[ 9, 18],
[ 10, 20],
[ 11, 22]]])
In[97]: np.dsplit(d_stack, 2)
Out[97]:[array([[[ 0],
[ 1],
[90]],
[[ 3],
[ 4],
[ 5]],
[[ 6],
[ 7],
[ 8]],
[[ 9],
[10],
[11]]]), array([[[ 0],
[ 2],
[180]],
[[ 6],
[ 8],
[ 10]],
[[ 12],
[ 14],
[ 16]],
[[ 18],
[ 20],
[ 22]]])]数组的类型转换
- 转化成list， tolist()
In [98]:bbb
Out[98]:array([[ 0, 1, 90],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
In [99]:bbb.tolist()
Out[99]:[[0, 1, 90], [3, 4, 5], [6, 7, 8], [9, 10, 11]]- 转换成指定类型, astype()函数
In [100]: bbb.astype(float)
Out[100]:array([[ 0., 1., 90.],
[ 3., 4., 5.],
[ 6., 7., 8.],
[ 9., 10., 11.]])numpy 常用统计函数
常用的函数如下, 请注意函数在使用时需要指定 axis 轴的方向，若不指定，默认统计整个数组。
• np.sum()，返回求和
• np.mean()，返回均值
• np.max()，返回最大值
• np.min()，返回最小值
• np.ptp()，数组沿指定轴返回最大值减去最小值，即（max-min）
• np.std()，返回标准偏差（standard deviation）
• np.var()，返回方差（variance）
• np.cumsum()，返回累加值
• np.cumprod()，返回累乘积值
In [101]:bbb_1
Out[101]:array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99],
[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])
In [102]:np.max(bbb_1)
Out[102]:100
In [103]:np.max(bbb_1, axis=1)
Out[103]:array([100, 99, 88, 77])
In [104]: np.max(bbb_1, axis=0)
Out[104]:array([ 9, 10, 90, 100])
In [105]:np.min(bbb_1)
Out[105]:0
In [106]:np.min(bbb_1, axis=1)
Out[106]:array([0, 3, 6, 9])
In [107]:np.min(bbb_1, axis=0)
Out[107]:array([ 0, 1, 5, 77])
In [108]: np.ptp(bbb_1)
Out[108]:100
In [109]: np.ptp(bbb_1, axis=1)
Out[109]:array([100, 96, 82, 68])
In [111]: np.ptp(bbb_1, axis=0)
Out[111]:array([ 9, 9, 85, 23])
In [113]:bbb_1
Out[113]:array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99],
[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])
In [114]:np.cumsum(bbb_1, axis=1)
Out[114]:array([[ 0, 1, 91, 191],
[ 3, 7, 12, 111],
[ 6, 13, 21, 109],
[ 9, 19, 30, 107]], dtype=int32)
In [115]:np.cumsum(bbb_1, axis=0)
Out[115]:array([[ 0, 1, 90, 100],
[ 3, 5, 95, 199],
[ 9, 12, 103, 287],
[ 18, 22, 114, 364]], dtype=int32)
In [116]: bbb_1
Out[116]:array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99],
[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])
In [117]:np.cumprod(bbb_1, axis=1)
Out[117]:array([[ 0, 0, 0, 0],
[ 3, 12, 60, 5940],
[ 6, 42, 336, 29568],
[ 9, 90, 990, 76230]], dtype=int32)
In [118]:np.cumprod(bbb_1, axis=0)
Out[118]:array([[ 0, 1, 90, 100],
[ 0, 4, 450, 9900],
[ 0, 28, 3600, 871200],
[ 0, 280, 39600, 67082400]], dtype=int32)数组的广播
当数组跟一个标量进行数学运算时，标量需要根据数组的形状进行扩展，然后执行运算。这个扩展的过程称为“广
播（broadcasting）”
In [119]: bbb_1
Out[119]:array([[ 0, 1, 90, 100],
[ 3, 4, 5, 99],
[ 6, 7, 8, 88],
[ 9, 10, 11, 77]])
In [120]: dd = bbb_1 + 2
dd
Out[120]:array([[ 2, 3, 92, 102],
[ 5, 6, 7, 101],
[ 8, 9, 10, 90],
[ 11, 12, 13, 79]])Numpy 中 Meshgrid 函数介绍
meshgrid 函数用两个坐标轴上的点在平面上画网格。
用法：
[X,Y]=meshgrid(x,y)
[X,Y]=meshgrid(x) 与 [X,Y]=meshgrid(x,x) 是等同的
[X,Y,Z]=meshgrid(x,y,z) 生成三维数组，可用来计算三变量的函数和绘制三维立体图
这里，主要以[X,Y]=meshgrid(x,y)为例，来对该函数进行介绍。[X,Y] = meshgrid(x,y) 将向量 x 和 y定义的区域转换成矩阵 X 和 Y , 其中矩阵 X 的行向量是向量 x 的简单复制，而矩阵 Y 的列向量是向量 y 的简单复制 (注：
下面代码中 X 和 Y 均是数组，在文中统一称为矩阵了)。假设 x 是长度为 m 的向量，y 是长度为 n 的向量，则最终生成
的矩阵 X 和 Y 的维度都是 nm （注意不是 mn）。
In [122]: import matplotlib.pyplot as plt
%matplotlib inline
m, n = (5, 3)
x = np.linspace(0, 1, m)
y = np.linspace(0, 1, n)
X, Y = np.meshgrid(x, y)
x
Out[122]:array([0. , 0.25, 0.5 , 0.75, 1. ])
In [123]:y
Out[123]:array([0. , 0.5, 1. ])
In [124]: X
Out[124]:array([[0. , 0.25, 0.5 , 0.75, 1. ],
[0. , 0.25, 0.5 , 0.75, 1. ],
[0. , 0.25, 0.5 , 0.75, 1. ]])
In [125]: Y
Out[125]:array([[0. , 0. , 0. , 0. , 0. ],
[0.5, 0.5, 0.5, 0.5, 0.5],
[1. , 1. , 1. , 1. , 1. ]])
plt.plot(X, Y, marker='.', color='blue', linestyle='none')
plt.show()
可以获得网格平面上坐标点的数据
In[129]: mesg = [i for i in zip(X.flat,Y.flat)]
mesg
Out[129]:[(0.0, 0.0),
(0.25, 0.0),
(0.5, 0.0),
(0.75, 0.0),
(1.0, 0.0),
(0.0, 0.5),
(0.25, 0.5),
(0.5, 0.5),
(0.75, 0.5),
(1.0, 0.5),
(0.0, 1.0),
(0.25, 1.0),
(0.5, 1.0),
(0.75, 1.0),
(1.0, 1.0)]
4148
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
