Python-Numpy入门

Python-Numpy入门

NumPy是一个开源的Python科学计算基础库，包含：

• 一个强大的N维数组对象ndarray
• 广播功能函数
• 整合C/C++/Fortran代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

NumPy的引用

import numpy as np

N维数组对象：ndarray

• 数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据
• 设置专门的数组对象，经过优化，可以提升这类应用的运算速度
• 数组对象采用相同的数据类型，有助于节省运算和存储空间

ndarray是一个多维数组对象，由两部分构成：

• 实际的数据
• 描述这些数据的元数据（数据维度、数据类型等）

ndarray在程序中的别名是：array

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

ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

>>> a.ndim
2
>>> a.shape
(2, 3)
>>> a.size
6
>>> a.dtype
dtype('int32')
>>> a.itemsize
4

ndarray的元素类型

数据类型	说明
bool	布尔类型，True或False
intc	与C语言中的int类型一致，一般是int32或int64
intp	用于索引的整数，与C语言中ssize_t一致，int32或int64
int8	字节长度的整数，取值：[‐128, 127]
int16	16位长度的整数，取值：[‐32768, 32767]
int32	32位长度的整数，取值：[‐231, 231‐1]
int64	64位长度的整数，取值：[‐263, 263‐1]
uint8	8位无符号整数，取值：[0, 255]
uint16	16位无符号整数，取值：[0, 65535]
uint32	32位无符号整数，取值：[0, 232‐1]
uint64	32位无符号整数，取值：[0, 264‐1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，11位指数，52位尾数
complex64	复数类型，实部和虚部都是32位浮点数
complex128	复数类型，实部和虚部都是64位浮点数

Python语法仅支持整数、浮点数和复数3种类型

ndarray支持如此多种元素类型？

• 科学计算涉及数据较多，对存储和性能都有较高要求
• 对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能
• 对元素类型精细定义，有助于程序员对程序规模有合理评估

非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用

ndarray数组的创建

• 从Python中的列表、元组等类型创建ndarray数组

x = np.array(list/tuple)

x = np.array(list/tuple,dtype=np.float32)

当不指定dtype，Numpy会根据数据实际情况关联一个dtype类型

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

• 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等

函数	说明
np.arange(n）	类似range()函数，返回ndarray类型，元素从0到n‐1
np.ones(shape）	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape）	根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	根据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线为1，其余为0

>>> np.zeros((3,6),dtype=np.int32)
array([[0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0]])
>>> np.eye(5)
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])
>>> np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.ones((3,6))
array([[1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.]])       

函数	说明
np.ones_like(a）	根据数组a的形状生成一个全1数组
np.zeros_like(a）	根据数组a的形状生成一个全0数组
np.full_like(a,val）	根据数组a的形状生成一个数组，每个元素值都是val
np.linspace()	根据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

>>> a
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])
>>> np.ones_like(a)
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])
#
>>> a=np.linspace(1,10,4)
>>> a
array([ 1.,  4.,  7., 10.])
>>> b=np.linspace(1,10,4,endpoint=False)
>>> b
array([1.  , 3.25, 5.5 , 7.75])
>>> c=np.concatenate((a,b))
>>> c
array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

ndarray数组的变换

对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换

ndarray数组的维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

>>> a=np.ones((2,3,4),dtype=np.int32)
>>> a
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])
>>> a.reshape((3,8))
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])
>>> a.resize((3,8))
>>> a
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])
>>> a.flatten()
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1])

ndarray数组的类型变换

new_a= a.astype(new_type)

astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致

>>> b=a.astype(np.float)
>>> b
array([[1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1.]])
>>> b.dtype
dtype('float64')

ndarray数组向列表的转换

ls = a.tolist()

>>> c=b.tolist()
>>> c
[[1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]]

ndarray数组的操作

数组的索引和切片

索引：获取数组中特定位置元素的过程

切片：获取数组元素子集的过程

一维数组的索引和切片：与Python的列表类似

>>> a=np.array([9,8,7,6,5])
>>> a[2]
7
>>> a[1:4:2]
array([8, 6])

多维数组的索引：每个维度一个索引值，逗号分割

>>> a=np.arange(24).reshape((2,3,4))
>>> a
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]]])
>>> a[1,2,3]
23
>>> a[-1,-2,-3]
17
#多维数组切片
>>> a[:,:,::2]
array([[[ 0,  2],
        [ 4,  6],
        [ 8, 10]],

       [[12, 14],
        [16, 18],
        [20, 22]]])

ndarray数组的运算

数组与标量之间的运算

数组与标量之间的运算作用于数组的每一个元素

NumPy一元函数

对ndarray中的数据执行元素级运算的函数

函数	说明
np.rint(x)	计算数组各元素的四舍五入值
np.modf(x)	将数组各元素的小数和整数部分以两个独立数组形式返回
np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x)	计算数组各元素的普通型和双曲型三角函数
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+), 0, ‐1(‐)
np.abs(x) np.fabs(x)	计算数组各元素的绝对值
np.sqrt(x）	计算数组各元素的平方根
np.square(x）	计算数组各元素的平方
np.log(x) np.log10(x) np.log2(x）	计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x) np.floor(x）	计算数组各元素的ceiling值或floor值

NumPy二元函数

函数	说明
+‐* / **	两个数组各元素进行对应运算
np.maximum(x,y) np.fmax() np.minimum(x,y)np.fmin()	元素级的最大值/最小值计算
np.mod(x,y）	元素级的模运算
np.copysign(x,y）	将数组y中各元素值的符号赋值给数组x对应元素
>< >= <= == ! =	算术比较，产生布尔型数组

Numpy的随机数函数字库

NumPy的random子库 np.random.*

函数	说明
rand(d0,d1,…,dn)	根据d0‐dn创建随机数数组，浮点数，[0,1)，均匀分布
randn(d0,d1,…,dn）	根据d0‐dn创建随机数数组，标准正态分布
randint(low[,high,shape])	根据shape创建随机整数或整数数组，范围是[low, high)
seed(s）	随机数种子，s是给定的种子值

>>> a=np.random.rand(3,4,5)
>>> a
array([[[0.05634508, 0.23282427, 0.97323879, 0.57125055, 0.31443504],
        [0.63496895, 0.88520873, 0.98213933, 0.85760826, 0.89756098],
        [0.75591832, 0.99073097, 0.22627046, 0.65524722, 0.75661298],
        [0.92475593, 0.48066909, 0.84691563, 0.82388277, 0.60752717]],

       [[0.01765494, 0.27591181, 0.68354883, 0.62560336, 0.48458496],
        [0.27518994, 0.5134795 , 0.75454143, 0.40991304, 0.52873799],
        [0.56319705, 0.42336783, 0.42504597, 0.79090525, 0.83288663],
        [0.17305841, 0.94027144, 0.75059357, 0.47371894, 0.39481083]],

       [[0.11607009, 0.6345432 , 0.79418343, 0.38497282, 0.28560523],
        [0.8823346 , 0.95018567, 0.32477007, 0.19077357, 0.12261713],
        [0.98872221, 0.1084761 , 0.45498204, 0.01817987, 0.80057172],
        [0.27032861, 0.35974023, 0.96219735, 0.24607752, 0.64934941]]])

数据存取函数

CSV******文件

np.loadtxt()

np.savetxt()
多维数据存取

a.tofile()

np.fromfile()

np.save()

np.savez()

np.load()

随机函数

np.random.rand() np.random.randn()

np.random.randint() np.random.seed()

np.random.shuffle() np.random.permutation()

np.random.choice()

小结

根据Doctor.ht-wang的理解，numpy和panda之类的库初步学习过一遍可以做什么，之后在实际项目中，用到的时候查表就好。于是将老师的课件整理成文章，供后续使用。