Python Numpy

---

Python Numpy

1. numpy简单介绍

• Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。

• Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。

• Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

numpy是个第三方库，需要先安装，打开命令行终端输入指令“pip install numpy”此限制。

---

2. ndarray

• ndarray是numpy 给我们提供的一个特殊的数组对象，我们可以用ndarray表示普通的一维数组或者二维的矩阵，甚至任意维的数据。

• 并且它可以对数组中的数据进行非常高效的运算，比如用作数据统计、图像处理、线性代数、傅里叶变换等等。

• numpy的所有数据都是围绕数组进行的，所以我们首先需要将计算的数据表示成数组的形式。

  首先需要导入numpy这个库。

import numpy as np

2.1 ndarray的一些属性

属性名字	属性解释
ndarray.shape	数组维度的元组
ndarray.ndim	数组维数
ndarray.size	数组中元素的数量
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype	数组元素的类型

2.2 创建数组

• np.array() 直接创建

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

a

array([[1, 2, 3],
       [4, 5, 6]])

a.shape

(2, 3)

a.ndim

2

a.size

6

a.dtype

dtype('int32')

---

3. 数组的初始化

3.1 生成0数组和1数组

• np.ones()
• np.zeros()

a = np.ones([5])

a

array([1., 1., 1., 1., 1.])

a = np.ones([4,6])

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 = np.zeros([5])
a

array([0., 0., 0., 0., 0.])

3.2 从现有数组生成

3.2.1 生成方式

• np.array(object,dype)
• np.asarray(object,dtype)

3.2.2 关于array和asarray的不同

a = np.array([[1,2,3],[4,5,6]])
a1 = np.array(a)
a2 = np.asarray(a)

a

array([[1, 2, 3],
       [4, 5, 6]])

a1

array([[1, 2, 3],
       [4, 5, 6]])

a2

array([[1, 2, 3],
       [4, 5, 6]])

a[1,1] = 500

a

array([[  1,   2,   3],
       [  4, 500,   6]])

a1

array([[1, 2, 3],
       [4, 5, 6]])

a2

array([[  1,   2,   3],
       [  4, 500,   6]])

a2[0,0] = 100

a2

array([[100,   2,   3],
       [  4, 500,   6]])

a

array([[100,   2,   3],
       [  4, 500,   6]])

3.3 生成规律分布的数组

• np.arange(start,stop, step, dtype) //指定步长的等差数组
  • start:序列的起始值，默认为0
  • stop:序列的终止值
  • step:步长,默认值为1
• np.linspace (start, stop, num, endpoint) //指定数量的等差数组
  • start:序列的起始值，默认为0
  • stop:序列的终止值
  • num:要生成的等间隔样例数量，默认为50
  • endpoint:序列中是否包含stop值，默认为ture
• np.logspace(start,stop, num) //指定数量的等比数列

a = np.arange(0,10,2)
a

array([0, 2, 4, 6, 8])

a = np.linspace(0,10,11)
a

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

3.4 生成随机数组

np.random模块

• np.random.randint(low, high, size)

  生成一个指定范围内的整数

• numpy.random.uniform(low,high,size)

  从一个均匀分布的范围[low,high)中随机采样（含低不含高）

import numpy as np
a = np.random.randint(40,100,(4,5))
a

array([[93, 63, 97, 55, 67],
       [70, 84, 89, 95, 45],
       [85, 85, 65, 67, 64],
       [47, 83, 85, 53, 72]])

---

4. ndarray运算

4.1 数组与数的计算

• 数组的加减乘除（在numpy中称为广播）

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

a = a + 1
a

array([2, 3, 4])

a = a - 1
a

array([1, 2, 3])

a =  a * 2
a

array([2, 4, 6])

a = a / 2
a

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

4.2 数组与数组的计算

• 数组间的加减乘除

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

a

array([1, 2, 3])

b

array([4, 5, 6])

c = a + b
c

array([5, 7, 9])

c = b - a
c

array([3, 3, 3])

c = a * b
c

array([ 4, 10, 18])

c = b / a
c

array([4. , 2.5, 2. ])

4.3 特殊运算

• adarray.min() //返回最小元素
• adarray.max() //返回最大元素
• adarray.argmin() //返回最小元素所在的索引
• adarray.argmax() //返回最大元素所在的索引
• adarray.sum() //返回所有元素的总和
• adarray.mean() //返回所有元素的平均值
• adarray.median() //返回所有元素的中位数
• adarray.var() //返回数据方差
• adarray.std() //返回数据的标准方差

4.4 高级运算

• np.sqrt() //求平方根
• np.sin() //正弦
• np.cos() //余弦
• np.log() //对数
• np.power() //指数

4.5 元素筛选

a = np.arange(10)
a

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

a[a>2]

array([3, 4, 5, 6, 7, 8, 9])

---

5. 矩阵

5.1 矩阵和向量

5.1.1 矩阵

矩阵，英文matrix，和array的区别在于矩阵必须是二维的，但是array可以是多维的。

5.1.2 向量

向量，英文vector，是一种特殊的矩阵，通常是一维表示，矩阵里的一行或者一列独立出来就可以称为一个向量。

5.2 矩阵乘法

• np.matmul
• np.dot

二者都是矩阵乘法。np.matmul中禁止矩阵与标量的乘法。在矢量乘矢量的内积运算中，np.matmul与np.dot没有区别。

a = np.array([[1,2],[1,2]])
b = np.array([[3,4],[3,4]])

a

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

b

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

c = np.matmul(a,b)
c

array([[ 9, 12],
       [ 9, 12]])

c = np.dot(a,b)
c

array([[ 9, 12],
       [ 9, 12]])

c = np.matmul(a,2)

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

Cell In[46], line 1
----> 1 c = np.matmul(a,2)


ValueError: matmul: Input operand 1 does not have enough dimensions (has 0, gufunc core with signature (n?,k),(k,m?)->(n?,m?) requires 1)

c = np.dot(a,2)

c

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

---

6. ndarray的特殊索引

• 切片索引
  列表切片是从原始列表中提取列表的一部分的过程。在列表切片中，我们将根据所需内容（如，从何处开始，结束以及增量进行切片）剪切列表。Python中符合序列的有序序列都支持切片（slice），例如列表，字符串，元组。

规则:

• 存储对象 [ start : end : step ]

  • start：: 起始索步长为正时，从首部开始；步长为负时，从尾部开始。

  • end：结束索引，步长为正时，从尾部开始；步长为负时，从首部开始。

  • step：表示步长，默认为1。步长为正时，从首部开始取值；步长为负时，从尾部开始取值。

a = np.arange(12)
a

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

a = a.reshape(3,4)
a

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

b = a[[0,2],[1,2]]
b

array([ 1, 10])