python数组和函数的区别_numpy 介绍及常用函数

1. numpy介绍：

NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表(nested list structure)结构要高效的多(该结构也可以用来表示矩阵(matrix))。

NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。

ndarray到底跟原生python列表的区别：

ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。

numpy array与list对比

因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。

Numpy底层使用C语言编写，内部解除了GIL(全局解释器锁)，其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。

注意：np.array只是一个便捷的函数，用来创建一个ndarray，它本身不是一个类。

以上源自百度百科：numpy

2. numpy常用函数：

2.1 array的组合、扩展

np.vstack(a,b) # 竖直堆放矩阵

np.hstack(a,b) # 水平对方矩阵

a.transpose() # 矩阵转置

2.2 切片

a[:,1]取出第一列的所有行

a[:-1,1]取出第一列的0到倒数第二行，-1代表从后往前数第二个

a[a:b,m:n] 对二维数组第a到b-1行，第m到n-1列进行切片

a[:] 原样复制一个list

2.3 numpy.eye() 生成对角矩阵

numpy.eye(N,M=None, k=0, dtype=)

关注第一个第三个参数就行了

第一个参数：输出方阵(行数=列数)的规模，即行数或列数

第三个参数：默认情况下输出的是对角线全“1”，其余全“0”的方阵，如果k为正整数，则在右上方第k条对角线全“1”其余全“0”，k为负整数则在左下方第k条对角线全“1”其余全“0”。

>>> np.eye(2, dtype=int)

array([[1, 0],

[0, 1]])

>>> np.eye(3, k=1)

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

[ 0., 0., 1.],

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

2.4 .shape

c.shape : 查看c矩阵或者数组的维数

c.shape[0] : c矩阵第一维的长度

c.reshape(-1):将数组展开成一维向量

c.reshape(-1,4):将数组展开成一维，每行有4个数，是4*2的数组。

>>> c = array([[1,1],[1,2],[1,3],[1,4]])

>>> c.shape

(4, 2)

>>> c.shape[0]

4

>>> c.shape[1]

2

>>> c.reshape(-1)

array([1, 1, 1, 2, 1, 3, 1, 4])

>>> c.reshape(-1,4)

array([[1, 1, 1, 2],

[1, 3, 1, 4]])

2.5 np.linalg

np.linalg : 简写linalg=linear+algebra

(1)np.linalg.inv()：矩阵求逆

(2)np.linalg.det()：矩阵求行列式(标量)

注： .dot()函数可以通过numpy库调用，也可以由数组实例对象进行调用。a.dot(b) 与 np.dot(a,b)效果相同。

(3)np.linalg.norm ： 求矩阵的范数(默认二范数——笛卡尔空间)

(4)np.linalg.pinv(m)：求m矩阵的伪逆矩阵