Numpy在python中属于非常常用的包,无论是机器学习搭配pandas,还是数据可视化搭配pylab都是很正常的搭配。
Numpy
numpy的官方中文文档:NumPy 中文
NumPy是使用Python进行科学计算的基础软件包。除其他外,它包括: 功能强大的N维数组对象; 精密广播功能函数; 集成C/C+和Fortran代码的工具; 强大的线性代数、傅立叶变换和随机数功能。
更简单的说,Numpy是Python的Matlab数学计算包。使用它,python可以更简单便捷地对矩阵向量进行计算。
一般来说,我们引用该包并将其简称为np:
?1
import numpy as np
Numpy的ndarry对象
ndarray的创建
Numpy中最重要的数据类型就是:N维数组对象ndarray。它是一系列同类型数据的集合,以0下标为开始进行集合中元素的索引。
它具有以下两个特点: ndarray对象是用于存放同类型元素的多维数组; ndarray中的每个元素在内存中都有相同存储大小的区域。
创建一个ndarray对象:
?1
np.array(object, dtype= None, copy= True, order= None, subok= False, ndmin= 0)
参数说明:
名称 描述object 数组或嵌套的数列
dtype 数组元素的数据类型,可选
copy 对象是否需要复制,可选
order 创建数组的样式,C为行方向,F为列方向,A为任意方向(默认)
subok 默认返回一个与基类类型一致的数组
ndmin 指定生成数组的最小维度
一般而言,并不需要记住这么多可选参数:
?1
2
3
4
5
import numpy as np
if __name__== "__main__":
x= np.array([1,2,3])
print(x)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[1 2 3]
当然,除了之前的array方法创建ndarray对象之外,还提供了另外的几种创建方式:
?1
2
3
4
5
6
7
8
9
np.empty(shape, dtype= float, order= "C")# 指定形状的未初始化数组
np.zeros(shape, dtype= float, order= "C")# 指定形状的全0数组
np.ones(shape, dtype= None, order= "C")# 指定形状的全1数组
np.arange(start= 0, stop, step= 1, dtype)# 从起始值到终止值(不包含)时,按步长从范围内创建数组
np.linspace(start, stop, num= 50, endpoint= True, retstep= False, dtype= None)# 从起始值到终止值(默认包含)创建一个等差数组的一维数组
np.logspace(start, stop, num= 50, endpoint= True, base= 10.0, dtype= None)# 从起始值到终止值(默认包含)创建一个等比数组的一维数组
Numpy也提供了从python其他类型直接转换成ndarray的方式:
?1
2
3
np.asarray(a, dtype= None, order= None)# 列表形式
np.frombuffer(buffer, dtype= float, count= -1, offset= 0)# 以流的形式读入
np.fromiter(iterable, dtype, count=-1)# 从可迭代对象中,以迭代器的形式读入
例如:
?1
2
3
4
5
6
7
8
9
10
11
12
13
14
import numpy as np
if __name__== "__main__":
a= [[1,2 ,3], [4,5]]
b= "Hello World"
c= iter(range(5))
x= np.asarray(a)
y= np.frombuffer(b, dtype= "S1")
z= np.fromiter(c, dtype= float)
print(x)
print(y)
print(z)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[list([1, 2, 3]) list([4, 5])]
["H" "e" "l" "l" "o" " " "W" "o" "r" "l" "d"]
[0. 1. 2. 3. 4.]
ndarray的数据结构
Numpy支持很多的数据类型,下面就简单地列举一下:
名称 描述bool_ 布尔型数据类型(True或者False)
int_/int8/int16/int32/int64 有符号整数
uint8/uint16/uint32/uint64 无符号整数
float_/float16/float32/float64 浮点数
complex_/complex64/complex128 复数
但如果是自定义的数据类型,就需要通过dtype来确定了:
?1
numpy.dtype(object, align, copy)
参数说明:
名称 描述object 要转换为的数据类型对象
align 如果为true,填充字段使其类似C的结构体
copy 复制dtype对象 ,如果为false,则是对内置数据类型对象的引用
例如,可以创建一个student的对象:
?1
2
3
4
5
6
import numpy as np
if __name__== "__main__":
student= np.dtype([("name","S20"), ("age","i8"), ("score","f4")])
a= np.array([("zhangsan",18,80), ("lisi",19,85)], dtype=student)
print(a)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[("zhangsan", 18, 80.) ("lisi", 19, 85.)]
ndarray的属性
ndarray有两个非常常用的属性,shape和size。shape表示数组的维度,对于二维数组而言,就是其行数和列数;size表示数组元素的总个数,对于二维数组而言,就是行数与列数的相乘。
例如:
?1
2
3
4
5
6
import numpy as np
if __name__== "__main__":
a= np.array([[1,2,3], [4,5,6]])
print(a.shape)
print(a.size)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
(2, 3)
6
当然,ndarray对象提供了两种方式在不改变数据内容的情况下,改变一个数组的格式。但两种方式有所区别:
?1
2
3
4
5
6
7
8
import numpy as np
if __name__== "__main__":
a= np.array([[1,2,3], [4,5,6]])
a.shape= (3,2)# 直接改变本体
print(a)
b= a.reshape(2,3)# 本体不改变,将改变后的对象返回
print(b)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[[1 2]
[3 4]
[5 6]]
[[1 2 3]
[4 5 6]]
ndarray的内容访问
ndarray对象的内容可以通过索引或切片来访问和修改,与python中list的切片操作一样。
ndarray既可以基于下标进行切片,也可以通过内置的slice函数,并设置start,stop及step参数进行,从原数组中切割出一个新数组。
例如:
?1
2
3
4
5
6
7
8
9
10
11
import numpy as np
if __name__== "__main__":
a= np.arange(10)
b= a[1:7:1]
s= slice(1,7,1)
c= a[s]
print(a)
print(b)
print(c)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[0 1 2 3 4 5 6 7 8 9]
[1 2 3 4 5 6]
[1 2 3 4 5 6]
对于冒号:的解释: 如果是一维数组,如果只放置一个参数,如[2],将返回与该索引相对应的单个元素。如果为[2:],表示从该索引开始以后的所有项都将被提取。如果使用了两个参数,如[2:7],那么则提取两个索引(不包括停止索引)之间的项; 如果是多维数组,使用,区分维数。
例如:
?1
2
3
4
5
6
7
8
9
import numpy as np
if __name__== "__main__":
a= np.arange(25)
a.shape= (5,5)
b= a[1:4,2:4]
print(a)
print(b)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]
[[ 7 8]
[12 13]
[17 18]]
ndarray除了基于下标进行切片,还有一些高级索引方式,比如布尔索引、花式索引。
例如:
?1
2
3
4
5
6
7
8
9
10
11
import numpy as np
if __name__== "__main__":
a= np.arange(25)
a.shape= (5,5)
b= a[a >6]
c= a[[3,2,4]]
print(a)
print(b)
print(c)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]
[ 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24]
[[15 16 17 18 19]
[10 11 12 13 14]
[20 21 22 23 24]]
其他
判断元素对象是都为NaN:
?1
np.isnan(...)
Numpy的广播
如果两个ndarray:a和b形状相同,即满足a.shape==b.shape,那么a与b的算数结果就是a与b数组对应位做算术运算。这要求维数相同,且各维度的长度相同。
例如:
?1
2
3
4
5
6
7
8
9
10
11
import numpy as np
if __name__== "__main__":
a= np.array([1,2,3])
b= np.array([1,2,3])
c= a+ b
d= a* b
print(c)
print(d)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[2 4 6]
[1 4 9]
而,广播是Numpy对不同形状(shape)的ndarray进行数值计算的方式,对ndarray的算术运算通常在相应的元素上进行。
怎么才算是相应的元素呢?
虽然,广播是对不同形状(shape)而言,但其实还是要满足两个条件:列数相同,有一个行数为1。在这个前提下,每行的相同列的元素就是相对应的元素。
直接看文字可能还是有点不太能理解,可以看一下例子:
?1
2
3
4
5
6
7
8
9
10
import numpy as np
if __name__== "__main__":
a= np.array([[1,2,3], [4,5,6], [7,8,9]])
b= np.array([1,2,3])
c= a+ b
d= a* b
print(c)
print(d)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[[ 2 4 6]
[ 5 7 9]
[ 8 10 12]]
[[ 1 4 9]
[ 4 10 18]
[ 7 16 27]]
所谓广播就是:当列数相同的时候,行数为1的ndarray会进行扩行的操作,增加的行数内容与原行的内容相同。
扩行的实现可以通过tile函数实现:
?1
np.tile(obj, (行, 列))# 在行上和列上分别重复一定的次数
所以,上文的广播也可以通过下面的方式来代替:
?1
2
3
4
5
6
7
8
9
10
11
12
import numpy as np
if __name__== "__main__":
a= np.array([[1,2,3], [4,5,6], [7,8,9]])
b= np.array([1,2,3])
bb= np.tile(b, (3,1))
c= a+ bb
d= a* bb
print(bb)
print(c)
print(d)
运行该脚本:yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py
[[1 2 3]
[1 2 3]
[1 2 3]]
[[ 2 4 6]
[ 5 7 9]
[ 8 10 12]]
[[ 1 4 9]
[ 4 10 18]
[ 7 16 27]]
ndarray的函数
ndarray提供了很多的数学函数、算术函数、排序函数,以便进行运算。
ndarray的数学函数,例如:
?1
2
3
4
5
6
7
8
9
10
11
12
np.pi# 圆周率
np.sin(obj)# 三角运算
np.cos(obj)
np.tan(obj)
np.arcsin(obj)# 反三角运算
np.arccos(obj)
np.arctan(obj)
np.degrees(obj)# 将弧度值转换为角度值
np.around(obj, decimals)# 返回ndarray每个元素的四舍五入值,decimals为舍入的小数位数,默认为0
np.floor(obj)# 向下取整
np.ceil(obj)# 向上取整
ndarray的算术函数,例如:
?1
2
3
4
5
6
7
8
9
np.add(obj1, obj2)# 加减乘除运算,与+-*/效果一致,需要符合广播原则
np.subtract(obj1, obj2)
np.multiply(obj1, obj2)
np.divide(obj1, obj2)
np.mod(obj1, obj2)# 求余数运算
np.reciprocal(obj)# 元素取倒数
np.power(obj1, obj2)# 计算前参数为底,后参数为幂的值
ndarray的排序函数,例如:
?1
np.sort(obj, axis=1, kind="quicksort", order)
参数说明:
名称 描述obj 数组或嵌套的数列
axis axis=0按列排序,axis=1按行排序
kind ‘quicksort"、‘mergesort"、‘heapsort"
order 如果数组包含字段,则是要排序的字段
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。
您可能感兴趣的文章:Python中的Numpy入门教程Python Numpy 数组的初始化和基本操作Python numpy 提取矩阵的某一行或某一列的实例基于Python Numpy的数组array和矩阵matrix详解Python编程给numpy矩阵添加一列方法示例Python中的二维数组实例(list与numpy.array)python中numpy的矩阵、多维数组的用法Python numpy中矩阵的基本用法汇总Python中优化NumPy包使用性能的教程
也许是最全java资料!(文档+项目+资料)【点击下载】 和努力的人一起学习Java!