python扩展库科学计算_NumPy科学计算库

NumPy(Numerical Python)是Python的⼀种开源的数值计算扩展。提供多维数组对象，各种派⽣对象(如掩码数组和矩阵)，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(nestedlist structure)结构要⾼效的多(该结构也可以⽤来表示矩阵(matrix))，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，包括数学、逻辑、形状操作、排序、选择、输⼊输出、离散傅⽴叶变换、基本线性代数，基本统计运算和随机模拟等等。

NumPy的功能强⼤

1.强⼤的N维数组

2.成熟的⼴播功能

3.⽤于整合C/C++和Fortran代码的⼯具包

4.NumPy提供了全⾯的数学功能、随机数⽣成器和线性代数功能

安装Python库

1.开发工具(类似pycharm，在浏览器里而已)：pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

2.pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

启动终端

1.Windows----> 快捷键：win + R ----->输⼊：cmd回⻋------>命令⾏出来 Mac ---->启动终端

2.启动jupyter

3.进⼊终端输⼊指令:jupyter notebook

4.在哪⾥启动jupyter，浏览器上的⽬录就对应那⾥

5.jupyter扩展插件

pip install jupyter_contrib_nbextensions -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install jupyter_nbextensions_configurator -i https://pypi.tuna.tsinghua.edu.cn/simple

jupyter contrib nbextension install --user

jupyter nbextensions_configurator enable --user

设置：

a.重启jupyter,菜单栏多了一个插件(Nbextensions)，点击进入，去掉左上角的全选对勾

b.多勾选：标题(Table of Contents)、代码提示(Hinterland)、折叠代码(Codefolding)、折叠标题(Collapsible Headings)

已勾选的不用动了

数组创建

import numpy as np

l = [1,3,5,7,9] # 列表

arr = np.array(l) # 将列表转换为NumPy数组

arr # 数据⼀样，NumPy数组的⽅法，功能更加强⼤

# 输出为

# array([1, 3, 5, 7, 9])

import numpy as np

arr1 = np.ones(10) # 输出为：array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

arr2 = np.zeros(10) # 输出为： array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

arr3 = np.full(shape = [2,3],fill_value=2.718)

# 输出为：

# array([[2.718, 2.718, 2.718],

# [2.718, 2.718, 2.718]])

arr4 = np.arange(start = 0,stop = 20,step = 2)

# 等差数列 输出为：array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])

arr5 = np.linspace(start =0,stop = 9,num = 10)

# 等差数列 输出为：array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

arr6 = np.random.randint(0,100,size = 10)

# int随机数 输出为：array([ 4, 8, 79, 62, 34, 35, 2, 65, 47, 18])

arr7 = np.random.randn(5)

# 正态分布 输出为：array([ 0.57807872, 0.37922855, 2.37936837, -0.28688769,

0.2882854 ])

arr8 = np.random.random(size = 5)

# float 随机数 输出为：array([0.59646412, 0.37960586, 0.38077327, 0.76983539,

0.22689201])

数组的轴数、维度、尺寸形状

import numpy as np

arr = np.random.randint(0,100,size = (3,4,5))

arr.ndim # 输出 3

import numpy as np

arr = np.random.randint(0,100,size = (3,4,5))

arr.shape # 输出 (3,4,5)

数组元素的总数

import numpy as np

arr = np.random.randint(0,100,size = (3,4,5))

arr.size # 输出 3*4*5 = 60

索引、切⽚和迭代

arr = np.array([0,1,2,3,4,5,6,7,8,9])

arr[5] #索引 输出 5

arr[5:8] #切⽚输出：array([5, 6, 7])

arr[2::2] # 从索引2开始每两个中取⼀个 输出 array([2, 4, 6, 8])

arr[::3] # 不写索引默认从0开始，每3个中取⼀个 输出为 array([0, 3, 6, 9])

arr[1:7:2] # 从索引1开始到索引7结束，左闭右开，每2个数中取⼀个 输出 array([1, 3, 5])

arr[::-1] # 倒序 输出 array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

arr[::-2] # 倒序 每两个取⼀个 输出 array([9, 7, 5, 3, 1])

arr[5:8]=12 # 切⽚赋值会赋值到每个元素上，与列表操作不同

temp = arr[5:8]

temp[1] = 1024

arr # 输出：array([ 0, 1, 2, 3, 4, 12, 1024, 12, 8, 9])

arr2d = np.array([[1, 3, 5], [2, 4, 6], [-2, -7, -9], [6, 6, 6]]) # ⼆维数组 shape(3,4)

arr2d[0, -1] # 索引 等于arr2d[0][-1] 输出 5

arr2d[0, 2] # 索引 等于arr2d[0][2] == arr2d[0][-1] 输出 5

arr2d[:2, -2:] # 切⽚ 第⼀维和第⼆维都进⾏切⽚ 等于arr2d[:2][:,1:]

arr2d[:2, 1:] # 切⽚ 1 == -2 ⼀个是正序，另个⼀是倒序，对应相同的位置

# 输出：

# array([[3, 5],

# [4, 6]])

花式索引

import numpy as np

# ⼀维

arr1 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

arr2 = arr1[[1, 3, 3, 5, 7, 7, 7]] # 输出 array([2, 4, 4, 6, 8, 8, 8])

arr2[-1] = 1024 # 修改值，不影响arr1

# ⼆维

arr2d = np.array([[1, 3, 5, 7, 9], [2, 4, 6, 8, 10], [12, 18, 22, 23, 37],

[123, 55, 17, 88, 103]]) # shape(4,5)

arr2d[[1, 3]] # 获取第⼆⾏和第四⾏，索引从0开始的所以1对应第⼆⾏

# 输出 array([[ 2, 4, 6, 8, 10],

# [123, 55, 17, 88, 103]])

arr2d[([1,3],[2,4])] # 相当于arr2d[1,2]获取⼀个元素,arr2d[3,4]获取另⼀个元素

# 输出为 array([ 6, 103])

# 选择⼀个区域

arr2d[np.ix_([1,3,3,3],[2,4,4])] # 相当于 arr2d[[1,3,3,3]][:,[2,4,4]]

arr2d[[1,3,3,3]][:,[2,4,4]]

# ix_()函数可⽤于组合不同的向量

# 第⼀个列表存的是待提取元素的⾏标，第⼆个列表存的是待提取元素的列标

# 输出为

# array([[ 6, 10, 10],

# [ 17, 103, 103],

# [ 17, 103, 103],

# [ 17, 103, 103]])

boolean值索引

names =

np.array(['softpo','Brandon','Will','Michael','Will','Ella','Daniel','softpo','

Will','Brandon'])

cond1 = names == 'Will'

cond1

# 输出array([False, False, True, False, True, False, False, False, True,

False])

names[cond1] # array(['Will', 'Will', 'Will'], dtype='

arr = np.random.randint(0,100,size = (10,8)) # 0~100随机数

cond2 = arr > 90

# 找到所有⼤于90的索引，返回boolean类

形状操作

数组变形-从原来数组顺序取数拼凑变形后的数组

import numpy as np

arr1 = np.random.randint(0,10,size = (3,4,5))

arr2 = arr1.reshape(12,5) # 形状改变，返回新数组

arr3 = arr1.reshape(-1,5) # ⾃动“整形”，⾃动计算

数组转置-行转列，列转行- 都不会改变原数组

import numpy as np

arr1 = np.random.randint(0,10,size = (3,5)) # shape(3,5)

arr1.T # shape(5,3) 转置

arr2 = np.random.randint(0,10,size = (3,6,4)) # shape(3,6,4),

np.transpose(arr2,axes=(2,0,1)) # transpose改变数组维度 shape(4,3,6)

数组堆叠

import numpy as np

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

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

np.concatenate([arr1,arr2],axis = 0)

# 串联合并shape(2,3) axis = 0表示第⼀维串联 输出为

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

# [4, 5, 6]])

np.concatenate([arr1,arr2],axis = 1)

# shape(1,6) axis = 1表示第⼆维串联 输出为：array([[1, 2, 3, 4, 5, 6]])

np.hstack((arr1,arr2)) # ⽔平⽅向堆叠 输出为：array([[1, 2, 3, 4, 5, 6]])

np.vstack((arr1,arr2))

#筛选数组，保留第5列满足条件的行

arr_new = arr_old[arr_old[:,4]>=条件,:]

# 竖直⽅向堆叠，输出为：

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

# [4, 5, 6]])

split数组拆分

import numpy as np

arr = np.random.randint(0,10,size = (6,5)) # shape(6,5)

np.split(arr,indices_or_sections=2,axis = 0) # 在第⼀维(6)平均分成两份

np.split(arr,indices_or_sections=[2,3],axis = 1) # 在第⼆维(5)以索引2，3为断点分割

成3份

np.vsplit(arr,indices_or_sections=3) # 在竖直⽅向平均分割成3份

np.hsplit(arr,indices_or_sections=[1,4]) # 在⽔平⽅向，以索引1，4为断点分割成3份

⼴播机制

当两个数组的形状并不相同的时候，我们可以通过扩展数组的⽅法来实现相加、相减、相乘等操作，这

种机制叫做⼴播(broadcasting),行不够向行上广播(复制相同的运算)，列不够向列上广播(复制相同的运算)；广播时数组要对齐

image.png

import numpy as np

arr1 = np.sort(np.array([0,1,2,3]*3)).reshape(4,3) #shape(4,3)

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

arr3 = arr1 + arr2 # arr2进⾏⼴播复制4份 shape(4,3)

arr3

image.png

import numpy as np

arr1 = np.sort(np.array([0, 1, 2, 3] * 3)).reshape(4, 3) # shape(4,3)

arr2 = np.array([[1], [2], [3], [4]]) # shape(4,1)

arr3 = arr1 + arr2 # arr2 进⾏⼴播复制3份 shape(4,3)

arr3

image.png

import numpy as np

arr1 = np.array([0, 1, 2, 3, 4, 5, 6, 7] * 3).reshape(3, 4, 2) # shape(3,4,2)

arr2 = np.array([0, 1, 2, 3, 4, 5, 6, 7]).reshape(4, 2) # shape(4,2)

arr3 = arr1 + arr2 # arr2数组在0维上复制3份 shape(3,4,2)

arr3

image.png

通⽤函数

通⽤函数：元素级数字函数

import numpy as np

arr1 = np.array([1, 4, 8, 9, 16, 25])

np.sqrt(arr1) # 开平⽅

np.square(arr1) # 平⽅

np.clip(arr1, 2, 16) # 输出 array([ 2, 4, 8, 9, 16, 16])，将arr1限制在2,16之间，超出范围的都置为对应边界的值

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

y = np.array([2, 4, 3, 7, 1, 9, 0])

np.maximum(x, y) # 返回两个数组中的⽐较⼤的值array([2, 5, 3, 9, 3, 9, 8])

arr2 = np.random.randint(0, 10, size=(5, 5))

np.inner(arr2[0], arr2) # 返回⼀维数组向量内积 array([15, 6, 4, 14, 6])

where函数

import numpy as np

arr1 = np.array([1, 3, 5, 7, 9])

arr2 = np.array([2, 4, 6, 8, 10])

cond = np.array([True, False, True, True, False])

np.where(cond, arr1, arr2) # True选择arr1，False选择arr2的值

# 输出 array([ 1, 4, 5, 7, 10])

arr3 = np.random.randint(0, 30, size=20)

np.where(arr3 < 15, arr3, -15) # ⼩于15还是⾃身的值，⼤于15设置成-15

排序⽅法

import numpy as np

arr = np.array([9, 3, 11, 6, 17, 5, 4, 15, 1])

arr.sort() # 直接改变原数组

np.sort(arr) # 返回深拷⻉排序结果

arr = np.array([9, 3, 11, 6, 17, 5, 4, 15, 1])

arr.argsort() # 返回从⼩到⼤排序索引 array([8, 1, 6, 5, 3, 0, 2, 7, 4])

集合运算函数

A = np.array([2,4,6,8])

B = np.array([3,4,5,6])

np.intersect1d(A,B) # 交集 array([4, 6])

np.union1d(A,B) # 并集 array([2, 3, 4, 5, 6, 8])

np.setdiff1d(A,B) #差集，A中有，B中没有 array([2, 8])

数学和统计函数

import numpy as np

arr1 = np.array([1,7,2,19,23,0,88,11,6,11])

arr1.min() # 计算最⼩值 0

arr1.argmax() # 计算最⼤值的索引 返回 6

np.argwhere(arr1 > 20) # 返回⼤于20的元素的索引

np.cumsum(arr1) # 计算累加和

arr2 = np.random.randint(0,10,size = (4,5))

arr2.mean(axis = 0) # 计算列的平均值

arr2.mean(axis = 1) # 计算⾏的平均值

np.cov(arr2,rowvar=True) # 协⽅差矩阵

np.corrcoef(arr2,rowvar=True) # 相关性系数

线性代数

#矩阵的乘积

A = np.array([[4,2,3],

[1,3,1]]) # shape(2,3)

B = np.array([[2,7],

[-5,-7],

[9,3]]) # shape(3,2)

np.dot(A,B) # 矩阵运算 A的最后⼀维和B的第⼀维必须⼀致

A @ B # 符号 @ 表示矩阵乘积运算

# 计算矩阵的逆

from numpy.linalg import inv, det, eig, qr, svd

A = np.array([[1, 2, 3],

[2, 3, 4],

[4, 5, 8]]) # shape(3,3)

inv(t) # 逆矩阵

det(t) # 计算矩阵⾏列式