【Python库系列】超详细的NumPy入门

目录

一、数组的创建

1.1 创建数组

1.2 数组的性质

二、数组的存载

2.1 numpy 自身的 .npy 格式

2.2 文本 .txt 格式

2.3 文本 .csv 格式

三、数组的获取

3.1 正规索引

3.2 布尔索引

3.3 花式索引

四、数组的变形

4.1 重塑和打平

4.2 合并和分裂

4.3 重复和拼接

4.4 其他操作

五、数组的计算

5.1 元素层面计算

5.2 线性代数计算

5.3 元素整合计算

5.4 广播机制计算


前提:导入numpy库。

import numpy as np

一、数组的创建

1.1 创建数组

创建numpy数组的三种方式:

  • 按步就班法:np.array() 用在列表和元组上 
  • 定隔定点法:np.arange() 和 np.linspace()
  • 一步登天法:np.ones(),np.zeros(),np.eye() 和 np.random.random()

1. 按步就班法

list = [1, 2, 3.5, 5.5, 8]
np.array(list)
array([1. , 2. , 3.5, 5.5, 8. ])
tuple = (1, 2, 3.5, 5.5, 8)
print(np.array(tuple))
np.array(tuple)
[1.  2.  3.5 5.5 8. ]
array([1. , 2. , 3.5, 5.5, 8. ])

注意,numpy数组的输出都带有 array() 的字样,里面的元素用“中括号 []”框住。用函数 print 打印 numpy 数组就没有 array() 的字样了。

2. 定隔定点法

  • 定隔的 arange():  固定元素大小间隔
  • 定点的 linspace():固定元素个数

函数 arange 的参数为起点,终点,间隔:arange(start , stop , step)。其中 stop 必须要有,start 和 step 没有的话默认为 1。

print(np.arange(10))
print(np.arange(2, 10))
print(np.arange(2, 10, 2))
[0 1 2 3 4 5 6 7 8 9]
[2 3 4 5 6 7 8 9]
[2 4 6 8]

函数 linspace 的参数为起点,终点,点数:linspace (start , stop , num)。其中 start 和 stop 必须要有,num 没有的话默认为 50。

print(np.linspace(2, 6, 3))
print(np.linspace(2, 8, 4))
print(np.linspace(0, 49))
[2. 4. 6.]
[2. 4. 6. 8.]
[ 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. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35.
 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49.]

3. 一步登天法

  • zeros():    创建全是 0 的 n 维数组
  • ones():     创建全是 1 的 n 维数组
  • random():创建随机 n 维数组
  • eye():       创建对角矩阵

前三种,由于输出是 n 为数组,它们的参数是一个「标量」或「元组类型的形状」。

print(np.zeros(5)) # 标量5代表形状(5,)
print(np.ones((2, 3)))
print(np.random.random((2, 3, 4)))
[0. 0. 0. 0. 0.]
[[1. 1. 1.]
 [1. 1. 1.]]
[[[0.42180299 0.84854733 0.115058   0.65318331]
  [0.03357884 0.05289622 0.19615066 0.22481889]
  [0.05550249 0.2390295  0.24496322 0.83995308]]

 [[0.73575253 0.19963972 0.3201794  0.75923466]
  [0.54934324 0.6029062  0.39607958 0.9521938 ]
  [0.10393022 0.71187835 0.04202606 0.85566354]]]

函数 eye(),它的参数就是一个标量,控制矩阵的行数或列数。

eye() 里面的参数 k

  • k = 0: 默认设置,代表 1 落在对角线上
  • k = 1: 代表 1 落在对角线右上方
  • k = -1:代表 1 落在对角线左下方
print(np.eye(4))
print(np.eye(4, k=1))
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]
[[0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]
 [0. 0. 0. 0.]]

1.2 数组的性质

先用按部就班的 np.array() 带列表生成二维数组 arr。

arr = np.array([1, 2, 3.5, 5.5, 8])

再用 dir(arr) 来查看数组的属性,之后我们对 type,ndim,len(),size,shape,stride,dtype 这几个常用函数分析一波。

  • type:    数组类型,当然是 numpy.ndarray
  • ndim:   数组维度个数
  • len():   数组长度 
  • size:    数组元素个数
  • shape: 数组形状,即每个维度的元素个数 (用元组来表示),只有一维,元素个数为 5,写成元组形式是 (5,)
  • strides:数组跨度,即在某一维度下为了获取到下一个元素需要「跨过」的字节数 (用元组来表示),float64 是 8 个字节数 (bytes),因此跨度为 8
  • dtype:  数组元素类型 (注意和 type 区分)
print('类型:', type(arr))
print('维度:', arr.ndim)
print('长度:', len(arr))
print('个数:', arr.size)
print('形状:', arr.shape)
print('跨度:', arr.strides)
print('类型:', arr.dtype)
类型: <class 'numpy.ndarray'>
维度: 
长度: 5
个数: 5
形状: (5,)
跨度: (8,)
类型: float64

二维数组,甚至多维数组,大家可自行测试体会。

二、数组的存载

2.1 numpy 自身的 .npy 格式

  • save:np.save( ‘’文件名”,数组 ) 即可保存为 .npy 格式
  • load:np.load( "文件名" ) 即可加载该文件
arr_disk = np.arange(8)
np.save("arr_disk", arr_disk) # 保存在当前目录下

np.load("arr_disk.npy")
array([0, 1, 2, 3, 4, 5, 6, 7])

2.2 文本 .txt 格式

  • savetxt:用 np.savetxt( ‘’文件名”,数组 ) 即可保存为 .txt 格式
  • loadtxt: 用 np.loadtxt( "文件名" ) 即可加载该文件
arr_text = np.array([[1., 2., 3.], [4., 5., 6.]])
np.savetxt("arr_text.txt", arr_text) # 保存为当前目录下

np.loadtxt("arr_text.txt")
array([[1., 2., 3.],
       [4., 5., 6.]])

2.3 文本 .csv 格式

arr_csv = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt("arr_csv.csv", arr_csv) # 保存为当前目录下

np.loadtxt("arr_csv.csv")

# 或 np.genfromtxt("arr_csv.csv")
array([[1., 2., 3.],
       [4., 5., 6.]])

三、数组的获取

获取数组是通过索引 (indexing) 和切片 (slicing) 来完成的。

  • 索引:获取一个特定位置的元素,写法是 arr[index]
  • 切片:获取一段特定位置的元素,写法是 arr[start : stop : step]

切片的操作是可以用索引操作来实现的 (一个一个总能凑成一段),只是没必要罢了。为了简化,我们在本章三节标题里把切片和索引都叫做索引。索引数组有三种形式,正规索引 (normal indexing)、布尔索引 (boolean indexing) 和花式索引 (fancy indexing)。

3.1 正规索引

一维数组:

arr1 = np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(arr1[6])   # 索引
print(arr1[1:5]) # 切片
6
[1 2 3 4]

二维数组:

arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2)
print(arr2[2])    # 索引第三行
print(arr2[0][2]) # 索引第一行第三列
print(arr2[0, 2]) # 索引第一行第三列
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[7 8 9]
3
3
print(arr2[:2])         # 切片前两行
print(arr2[:, [0, 2]])  # 切片第一列和第三列
print(arr2[1, :2])      # 切片第二行的前两个元素    
print(arr2[:2, 2])      # 切片第三列的前两个元素
[[1 2 3]
 [4 5 6]]
[[1 3]
 [4 6]
 [7 9]]
[4 5]
[3 6]

3.2 布尔索引

布尔索引,就是用一个由布尔 (boolean) 类型值组成的数组来选择元素的方法。

code = np.array(['BABA', 'FB', 'JD', 'BABA', 'JD', 'FB'])
price = np.array([[170,177,169], [150,159,153],
                  [24,27,26], [165,170,167],
                  [22,23,20], [155,116,157]])
print(code == 'BABA')
print(price[code == 'BABA'])
print(price[code == 'BABA', :1])

注:这种布尔索引的操作在 Pandas 更常用也更方便。

3.3 花式索引

花式索引是获取数组中想要的特定元素的有效方法。

arr = np.arange(32).reshape(8,4)
print(arr)
[[ 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 25 26 27]
 [28 29 30 31]]
print(arr[[4,3,6]], '\n')   # 按特定顺序来获取第 5,4 和 7 行
print(arr[[-4,-3,-6]], '\n')  # 按特定顺序来获取倒数第 4,3 和 6 行
print(arr[[1,5,7,2], [0,3,1,2]]) # 获取第二行第一列、第六行第四列、第八行第二列、第三行第三列的元素
# print(np.array([arr[1,0], arr[5,3], arr[7,1], arr[2,2]]))
[[16 17 18 19]
 [12 13 14 15]
 [24 25 26 27]] 

[[16 17 18 19]
 [20 21 22 23]
 [ 8  9 10 11]] 

[ 4 23 29 10]
print(arr[:,[0,3,1,2]]) # 把原先的 [0,1,2,3] 的列换成 [0,3,1,2]
[[ 0  3  1  2]
 [ 4  7  5  6]
 [ 8 11  9 10]
 [12 15 13 14]
 [16 19 17 18]
 [20 23 21 22]
 [24 27 25 26]
 [28 31 29 30]]

四、数组的变形

本节介绍四大类数组层面上的操作,具体有:

  1. 重塑 (reshape) 和打平 (ravel, flatten)
  2. 合并 (concatenate, stack) 和分裂 (split)
  3. 重复 (repeat) 和拼接 (tile)
  4. 其他操作 (sort, insert, delete, copy)

4.1 重塑和打平

重塑 (reshape) 和打平 (ravel, flatten) 这两个操作仅仅只改变数组的维度:

  • 重塑:是从低维到高维
  • 打平:是从高维到低维

1. 重塑

用reshape()函数将一维数组 arr 重塑成二维数组。

arr = np.arange(12)
print(arr)
print(arr.reshape((4, 3)))
[ 0  1  2  3  4  5  6  7  8  9 10 11]
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]

当你重塑高维矩阵时,不想花时间算某一维度的元素个数时,可以用「-1」取代,程序会自动帮你计算出来。比如把 12 个元素重塑成 (2,  6),你可以写成 (2, -1) 或者 (-1, 6)。

print(arr.reshape((2, -1)))
print(arr.reshape((-1, 6)))
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]]
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]]

注意:

在众多计算机语言中,

  • 默认行主序的有 C 语言( order=‘C’ 等价于行主序)

  • 默认列主序的有 Fortran 语言( order=‘F’ 等价于列主序)

在 numpy 数组中,默认的是行主序,即 order ='C'。如果你真的想在「重塑」和「打平」时用列主序,只用把 order 设为 'F',以重塑举例:

arr = np.arange(12)
print(arr.reshape((4, 3)))
print(arr.reshape((4,3), order='F'))
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]]

2. 打平

用 ravel() 或flatten() 函数将二维数组 arr 打平成一维数组。

arr = np.arange(12).reshape((4,3))
print(arr)

ravel_arr = arr.ravel()
print(ravel_arr)

flatten_arr = arr.flatten()
print(flatten_arr)
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
[ 0  1  2  3  4  5  6  7  8  9 10 11]
[ 0  1  2  3  4  5  6  7  8  9 10 11]

函数 ravel() 或 flatten() 的不同之处是:

  1. ravel() 按「行主序」打平时没有复制原数组,按「列主序」在打平时复制了原数组
  2. flatten() 在打平时复制了原数组

4.2 合并和分裂

合并 (concatenate, stack) 和分裂 (split) 这两个操作仅仅只改变数组的分合:

  • 合并:是多合一
  • 分裂:是一分多

1. 合并

使用「合并」函数有三种选择:

  1. 有通用的 concatenate
  2. 有专门的 vstack, hstack, dstack
  3. 有极简的 r_, c_

用下面两个数组来举例:

arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[7, 8, 9], [10, 11, 12]])

在 concatenate() 函数里通过设定轴,来对数组进行竖直方向合并 (轴 0) 和水平方向合并 (轴 1)。  

print(np.concatenate([arr1, arr2], axis=0))
print(np.concatenate([arr1, arr2], axis=1))
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

在 NumPy 里还有专门合并的函数

  • vstack:v 代表 vertical,竖直合并,等价于 concatenate(axis=0)
  • hstack:h 代表 horizontal,水平合并,等价于 concatenate(axis=1)
  • dstack:d 代表 depth-wise,按深度合并,深度有点像彩色照片的 RGB 通道

print(np.vstack((arr1, arr2)))
print(np.hstack((arr1, arr2)))
print(np.dstack((arr1, arr2)))
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
[[[ 1  7]
  [ 2  8]
  [ 3  9]]

 [[ 4 10]
  [ 5 11]
  [ 6 12]]]

和 vstack, hstack 不同,dstack 将原数组的维度增加了一维。

np.dstack((arr1, arr2)).shape
(2, 3, 2)

此外,还有一种更简单的在竖直和水平方向合并的函数,r_() 和 c_()。

print(np.r_[arr1,arr2])
print(np.c_[arr1,arr2])
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

2. 分裂

使用「分裂」函数有两种选择

  1. 有通用的 split
  2. 有专门的 hsplit, vsplit

用下面数组来举例:

arr = np.arange(25).reshape((5,5))
print(arr)
[[ 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]]

和 concatenate() 函数一样,我们可以在 split() 函数里通过设定轴,来对数组沿着竖直方向分裂 (轴 0) 和沿着水平方向分裂 (轴 1)。 

first, second, third = np.split(arr, [1,3])
print('The first split is', first)    # 第 1 行
print('The second split is', second)  # 第 2 到 3 行
print('The third split is', third)    # 第 4 到 5 行
The first split is [[0 1 2 3 4]]
The second split is [[ 5  6  7  8  9]
 [10 11 12 13 14]]
The third split is [[15 16 17 18 19]
 [20 21 22 23 24]]

split() 默认沿着轴 0 分裂,其第二个参数 [1, 3] 相当于是个切片操作,将数组分成三部分。

vsplit() 和 split(axis=0) 等价,hsplit() 和 split(axis=1) 等价。

first, second, third = np.hsplit(arr, [1, 3])
print('The first split is', first)
print('The second split is', second)
print('The third split is', third)
The first split is [[ 0]
 [ 5]
 [10]
 [15]
 [20]]
The second split is [[ 1  2]
 [ 6  7]
 [11 12]
 [16 17]
 [21 22]]
The third split is [[ 3  4]
 [ 8  9]
 [13 14]
 [18 19]
 [23 24]]

4.3 重复和拼接

重复 (repeat) 和拼接 (tile) 这两个操作本质都是复制。

  • 重复:是在元素层面复制
  • 拼接:是在数组层面复制

1. 重复

函数 repeat() 复制的是数组的每一个元素,参数有几种设定方法:

  • 一维数组:用标量和列表来复制元素的个数
  • 多维数组:用标量和列表来复制元素的个数,用轴来控制复制的行和列
arr = np.arange(5)
print(arr)
print(arr.repeat(3))   # 数组 arr 中每个元素复制 3 遍
print(arr.repeat([1, 2, 3, 4, 5]))  # 数组 arr 中每个元素分别复制 1, 2, 3, 4, 5 遍
[0 1 2 3 4]
[0 0 0 1 1 1 2 2 2 3 3 3 4 4 4]
[0 1 1 2 2 2 3 3 3 3 4 4 4 4 4]
arr2 = np.arange(6).reshape((2,3))
print(arr2)
print(arr2.repeat(2, axis=0))        # 数组 arr2 中每个元素沿着轴 0 复制 2 遍
print(arr2.repeat([2,3,4], axis=1))  # 数组 arr2 中每个元素沿着轴 1 分别复制 2, 3, 4 遍
[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [0 1 2]
 [3 4 5]
 [3 4 5]]
[[0 0 1 1 1 2 2 2 2]
 [3 3 4 4 4 5 5 5 5]]

2. 拼接

函数 tile() 复制的是数组本身,参数有几种设定方法:

  • 标量:把数组当成一个元素,一列一列复制
  • 形状:把数组当成一个元素,按形状复制
arr2 = np.arange(6).reshape((2,3))
print(arr2)
print(np.tile(arr2, 2))       # 数组 arr2 按列复制 2 遍
print(np.tile(arr2, (2, 3)))  # 数组 arr2 按形状复制 6 (2×3) 遍,并以 (2,3) 的形式展现
[[0 1 2]
 [3 4 5]]
[[0 1 2 0 1 2]
 [3 4 5 3 4 5]]
[[0 1 2 0 1 2 0 1 2]
 [3 4 5 3 4 5 3 4 5]
 [0 1 2 0 1 2 0 1 2]
 [3 4 5 3 4 5 3 4 5]]

4.4 其他操作

本节讨论数组的其他操作,包括排序 (sort),插入 (insert),删除 (delete) 和复制 (copy)。

1. 排序

排序包括直接排序 (direct sort) 和间接排序 (indirect sort)。

直接排序

arr = np.array([5, 3, 2, 6, 1, 4])
arr.sort()
print(arr)
[1 2 3 4 5 6]

sort()函数是按升序 (ascending order) 排列的,该函数里没有参数可以控制 order,因此你想要按降序排列的数组,只需:

print(arr[::-1])
[6 5 4 3 2 1]

注意:

用来排序 numpy 用两种方式:

  1. arr.sort():sort 会改变 arr
  2. np.sort(arr):sort 在排序时创建了 arr 的一个复制品,不会改变 arr

间接排序

有时候我们不仅仅只想排序数组,还想在排序过程中提取每个元素在原数组对应的索引(index),这时 argsort() 就派上用场了。

score = np.array([100, 60, 99, 80, 91])
idx = score.argsort()
print(idx)  # 打印数据由小到大的地址
print(score[idx])
[1 3 4 2 0]
[ 60  80  91  99 100]
arr = np.random.randint(40, size=(3,4))
print(arr)
print(arr[:, arr[0].argsort()]) # 对其第一行 arr[0] 排序,获取索引,在应用到所用行上
[[24 16 39 34]
 [10  5 29 35]
 [39 22 17 15]]
[[16 24 34 39]
 [ 5 10 35 29]
 [22 39 15 17]]

2. 插入和删除

和列表一样,我们可以给 numpy 数组:

  • 用insert()函数在某个特定位置之前插入元素
  • 用delete()函数删除某些特定元素
a = np.arange(6)
print(a)
print(np.insert(a, 1, 100))
print(np.delete(a, [1, 3]))
[0 1 2 3 4 5]
[  0 100   1   2   3   4   5]
[0 2 4 5]

3. 复制

用copy()函数来复制数组 a 得到 a_copy,很明显,改变 a_copy 里面的元素不会改变 a。

a = np.arange(6)
a_copy = a.copy()
print('Before changing value, a is', a)
print('Before changing value, a_copy is', a_copy)
a_copy[-1] = 99
print('After changing value, a_copy is', a_copy)
print('After changing value, a is', a)
Before changing value, a is [0 1 2 3 4 5]
Before changing value, a_copy is [0 1 2 3 4 5]
After changing value, a_copy is [ 0  1  2  3  4 99]
After changing value, a is [0 1 2 3 4 5]

五、数组的计算

本节介绍四大类数组计算,具体有:

  1. 元素层面 (element-wise) 计算
  2. 线性代数 (linear algebra) 计算
  3. 元素整合 (element aggregation) 计算
  4. 广播机制 (broadcasting) 计算

5.1 元素层面计算

Numpy 数组元素层面计算包括:

  1. 二元运算 (binary operation):加减乘除
  2. 数学函数:倒数、平方、指数、对数
  3. 比较运算 (comparison)

先定义两个数组 arr1 和 arr2。

arr1 = np.array([[1., 2., 3.], [4., 5., 6.]])
arr2 = np.ones((2,3)) * 2
print(arr1)
print(arr2)
[[1. 2. 3.]
 [4. 5. 6.]]
[[2. 2. 2.]
 [2. 2. 2.]]
# 加减乘除
print(arr1 + arr2 + 1)
print(arr1 - arr2)
print(arr1 * arr2)
print(arr1 / arr2)
# 倒数、平方、指数、对数
print(1 / arr1)
print(arr1 ** 2)
print(np.exp(arr1))
print(np.log(arr1))
# 比较
print(arr1 > arr2)
print(arr1 > 3)
[[4. 5. 6.]
 [7. 8. 9.]]
[[-1.  0.  1.]
 [ 2.  3.  4.]]
[[ 2.  4.  6.]
 [ 8. 10. 12.]]
[[0.5 1.  1.5]
 [2.  2.5 3. ]]
[[1.         0.5        0.33333333]
 [0.25       0.2        0.16666667]]
[[ 1.  4.  9.]
 [16. 25. 36.]]
[[  2.71828183   7.3890561   20.08553692]
 [ 54.59815003 148.4131591  403.42879349]]
[[0.         0.69314718 1.09861229]
 [1.38629436 1.60943791 1.79175947]]
[[False False  True]
 [ True  True  True]]
[[False False False]
 [ True  True  True]]

5.2 线性代数计算

在 NumPy 默认不采用矩阵运算,而是数组 (ndarray) 运算。矩阵只是二维,而数组可以是任何维度,因此数组运算更通用些。

注:arr 的形状是 (2,),只含一个元素的元组只说明 arr 是一维,数组是不分行数组或列数组的。

下面我们分别对「数组」和「矩阵」从创建、转置、求逆和相乘四个方面看看它们的同异。

1. 创建

创建数组 arr2d 和矩阵 A,注意它们的输出有 array 和 matrix 的关键词。

arr2 = np.array([[1, 2], [3, 1]])
arr2
array([[1, 2],
       [3, 1]])
A = np.asmatrix(arr2)
matrix([[1, 2],
        [3, 1]])

2. 转置

数组用 arr2.T 操作或 arr.tranpose() 函数,而矩阵用 A.T 操作。主要原因就是 .T 只适合二维数据。

print(arr2.T)
print(arr2.transpose())
print(A.T)
[[1 3]
 [2 1]]
[[1 3]
 [2 1]]
[[1 3]
 [2 1]]

3. 求逆

数组用 np.linalg.inv() 函数,而矩阵用 A.I 和 A**-1 操作。

print(np.linalg.inv(arr2))
print(A.I)
print(A**-1)
[[-0.2  0.4]
 [ 0.6 -0.2]]
[[-0.2  0.4]
 [ 0.6 -0.2]]
[[-0.2  0.4]
 [ 0.6 -0.2]]

4. 相乘

相乘是个很模棱两可的概念

  • 数组相乘是在元素层面进行,
  • 矩阵相乘要就是数学定义的矩阵相乘 (比如第一个矩阵的列要和第二个矩阵的行一样)
arr2 = np.array([[1, 2], [3, 1]])
A = np.asmatrix(arr2)
print(arr2*arr2)  # 数组相乘
print(A*A)        # 矩阵相乘
[[1 4]
 [9 1]]
[[7 4]
 [6 7]]

点乘函数 dot()

点乘左右两边最常见的数组就是:

  • 向量 (1D) 和向量 (1D)
  • 矩阵 (2D) 和向量 (1D)
  • 矩阵 (2D) 和矩阵 (2D)

分别看看三个简单例子。

例一:np.dot(向量, 向量) 实际上做的就是内积,即把两个向量每个元素相乘,最后再加总。点乘结果 10 是个标量 (0D 数组),形状 = ()。

x = np.array([1, 2, 3])
y = np.array([3, 2, 1])
z = np.dot(x, y)
print(z.shape)
print(z)
()
10

例二:np.dot(矩阵, 向量) 实际上做的就是普通的矩阵乘以向量。点乘结果是个向量 (1D 数组),形状 = (2, )。

x = np.array([1, 2, 3])
y = np.array([[3, 2, 1], [1, 1, 1]])
z = np.dot(y, x)
print(z.shape)
print(z)
(2,)
[10  6]

例三:np.dot(矩阵, 矩阵) 实际上做的就是普通的矩阵乘以矩阵。点乘结果是个矩阵 (2D 数组),形状 = (2, 3)。

x = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]])
y = np.array([[3, 2, 1], [1, 1, 1]])
z = np.dot(y, x)
print(z.shape)
print(z)
(2, 3)
[[ 6 12 18]
 [ 3  6  9]]

当 x 第二个维度的元素 (x.shape[1]) 和 y 第一个维度的元素 (y.shape[0]) 个数相等时,np.dot(X, Y) 才有意义。

5.3 元素整合计算

在数组中,元素可以以不同方式整合 (aggregation)。拿求和 (sum) 函数来说,我们可以对数组:

  • 所有的元素求和
  • 在某个轴 (axis) 上的元素求和
arr = np.arange(1, 7).reshape((2, 3))
print(arr)
print( '总和:', arr.sum() )
print( '跨行求和', arr.sum(axis=0) )
print( '跨列求和', arr.sum(axis=1) )
[[1 2 3]
 [4 5 6]]
总和: 21
跨行求和 [5 7 9]
跨列求和 [ 6 15]

行和列这些概念对矩阵 (二维矩阵) 才适用,高维矩阵还是要用轴 (axis) 来区分每个维度。

除了 sum 函数,整合函数还包括 min, max, mean, std 和 cumsum,分别是求最小值、最大值、均值、标准差和累加,这些函数对数组里的元素整合方式和 sum 函数相同,就不多讲了。

5.4 广播机制计算

当对两个形状不同的数组按元素操作时,可能会触发「广播机制」。具体做法,先适当复制元素使得这两个数组形状相同后再按元素操作,两个步骤:

  1. 广播轴 (broadcast axis):比对两个数组的维度,将形状小的数组的维度 (轴) 补齐
  2. 复制元素:顺着补齐的轴,将形状小的数组里的元素复制,使得最终形状和另一个数组吻合
arr = np.arange(12).reshape((4,3))
print(arr)
print(arr.mean(axis=0))
print(arr - arr.mean(axis=0))
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
[4.5 5.5 6.5]
[[-4.5 -4.5 -4.5]
 [-1.5 -1.5 -1.5]
 [ 1.5  1.5  1.5]
 [ 4.5  4.5  4.5]]

沿轴 0 的均值的一维数组被广播到数组 arr 的所有的行上。

广播机制的规则

当我们对两个数组操作时,如果它们的形状

  • 不相容 (incompatible),广播机制不能进行
  • 相容 (compatible),广播机制可以进行

因此,进行广播机制分两步

  1. 检查两个数组形状是否兼容,即从两个形状元组最后一个元素,来检查(它们是否相等,是否有一个等于 1)。
  2. 一旦它们形状兼容,确定两个数组的最终形状。

例一:维度一样,形状不一样

a = np.array([[1, 2, 3]])
b = np.array([[4], [5], [6]])
print('The shape of a is', a.shape)
print('The shape of b is', b.shape)
The shape of a is (1, 3)
The shape of b is (3, 1)

回顾进行广播机制的两步

  1. 检查数组 a 和 b 形状是否兼容,从两个形状元组 (1, 3) 和 (3, 1)最后一个元素开始检查,发现它们都满足『有一个等于 1』的条件。
  2. 因此它们形状兼容,两个数组的最终形状为 (max(1,3), max(3,1)) = (3, 3)

到此,a 和 b 被扩展成 (3, 3) 的数组,让我们看看 a + b 等于多少?

c = a + b
print('The shape of c is', c.shape)
print('a is', a)
print('b is', b)
print('c = a + b =', c)
The shape of c is (3, 3)
a is [[1 2 3]]
b is [[4]
 [5]
 [6]]
c = a + b = [[5 6 7]
 [6 7 8]
 [7 8 9]]

例二:维度不一样

a = np.arange(5)
b = np.array(2)
print('The dimension of a is', a.ndim, 'and the shape of a is', a.shape)
print('The dimension of b is', b.ndim, 'and the shape of b is', b.shape)
The dimension of a is 1 and the shape of a is (5,)
The dimension of b is 0 and the shape of b is ()

数组 a 和 b 形状分别为 (5,) 和 (),首先我们把缺失的维度用 1 补齐得到 (5,) 和 (1,),再根据广播机制那套流程得到这两个形状是兼容的,而且最终形状为 (5,)。

c = a + b
print('The dimension of c is', c.ndim, 'and the shape of c is', c.shape, '\n')
print('a is', a)
print('b is', b)
print('c = a + b =', c)
The dimension of c is 1 and the shape of c is (5,) 

a is [0 1 2 3 4]
b is 2
c = a + b = [2 3 4 5 6]

例五:

a = np.array([[[1,2,3], [4,5,6]]])
b1 = np.array([[1,1,1], [2,2,2], [3,3,3]])
b2 = np.arange(3).reshape((1, 3))
b3 = np.arange(6).reshape((2, 3))
b4 = np.arange(12).reshape((2, 2, 3))
b5 = np.arange(6).reshape((2, 1, 3))

print('a的维度:', a.ndim, 'a的形状:', a.shape)
print('b1的维度:', b1.ndim, 'b1的形状:', b1.shape)
print('b2的维度:', b2.ndim, 'b2的形状:', b2.shape)
print('b3的维度:', b3.ndim, 'b3的形状:', b3.shape)
print('b4的维度:', b4.ndim, 'b4的形状:', b4.shape)
print('b5的维度:', b5.ndim, 'b5的形状:', b5.shape)
a的维度: 3 a的形状: (1, 2, 3)
b1的维度: 2 b1的形状: (3, 3)
b2的维度: 2 b2的形状: (1, 3)
b3的维度: 2 b3的形状: (2, 3)
b4的维度: 3 b4的形状: (2, 2, 3)
b5的维度: 3 b5的形状: (2, 1, 3)

对于数组 a 和 b1,它们形状是 (1, 2, 3) 和 (3, 3)。元组最后一个都是 3,兼容;倒数第二个是 3 和 2,即不相等,也没有一个是 1,不兼容a 和 b1 不能进行广播机制。不行就看看下面代码:

c1 = a + b1
print(c1)
print(c1.shape)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-159-224e02cbb1e0> in <module>
----> 1 c1 = a + b1
      2 print(c1)
      3 print(c1.shape)

ValueError: operands could not be broadcast together with shapes (1,2,3) (3,3) 

a 和其他 b2, b3, b4, b5 都可以进行广播机制。

 

c2 = a + b2
print(c2)
print(c2.shape)

c3 = a + b3
print(c3)
print(c3.shape)

c4 = a + b4
print(c4)
print(c4.shape)

c5 = a + b5
print(c5)
print(c5.shape)
[[[1 3 5]
  [4 6 8]]]
(1, 2, 3)
[[[ 1  3  5]
  [ 7  9 11]]]
(1, 2, 3)
[[[ 1  3  5]
  [ 7  9 11]]

 [[ 7  9 11]
  [13 15 17]]]
(2, 2, 3)
[[[ 1  3  5]
  [ 4  6  8]]

 [[ 4  6  8]
  [ 7  9 11]]]
(2, 2, 3)

 

 

 

  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值