Numpy（1）常用操作

Numeric Python 

是Python的一种开源数值计算扩展，核心是ndarray对象，n维数组

• 一个强大的N维数组对象Array
• 比较成熟的（广播）函数库
• 用于整合C/C++和Fortran代码的工具包
• 实用的线性代数、傅里叶变换和随机数生成函数
• numpy和稀疏矩阵运算包是scipy配合使用更加强大

https://www.numpy.org.cn/user/

创建numpy：np.array(列表)

numpy常规函数 

数学运算

nd.mean() 等价于 np.mean(nd)

nd.sum(0) 计算轴0（列方向）上的和

nd.mean(axis=1)# 计算轴1上的平均值

nd.argmax()# 求最大值

ndarray属性

x = np.arange(10)
# 0 ... 9

np.arange(10, 30, 5)
# 10-30，步长为5

np.zeros((3,4))
# 3行4列全部初始值为0

np.ones((2,3,4), dtype = np.int32)

X = np.arange(15).reshape(3,5)
# 变为3行5列



x.ndim
# 返回数组维度

x.shape
# 返回数组行列数，若维度为1则返回元素个数

x.size
# 返回数组元素个数

类型转换

vector = numpy.array(["1","2","3"])
print(vector.dtype)# S型
print(vector)

vector = vector.astype(float)
print(vector.dtype)# float64型
print(vector)

ndarray索引、切片

X[0][0]
# 二维数组第0行第0个元素

X[2, 2]
# 第二行第二个（建议）

X[0:3]
X[:3]
# 前三行

X[-2:]
# 倒数两行

X[:2, :3]
# 前两行、前三列

X[:2][:3]
# 首先解析X[:2]即前两行，再取X[:2]的前两个元素

X[:2, ::2]
# 前两行，步长为2 

X[::-1, ::-1]
# 反转

X[0] == X[0, :]
# 取第一行

X[:, 0]
# 取第一列

uint8，无符号的int8，没有负号，0 ~ 255

int8  2^8 = 256 ：从-128 ~ 127

from PIL import Image
image = Image.open('./1.jpeg')
image

image_data = np.array(image)
# 图片数据是ndarray
# 彩色图片是三维，高度、宽度、像素
image_data

# 行、列、像素
image_data.shape

image_data.max()
# 255
image_data.min()
# 0

Image.fromarray(image_data[::5,::5])
# 步长为5取数据，图像变小

# 红绿蓝 0 1 2
# 绿红蓝 1 0 2
# 蓝绿红 2 1 0
# 变蓝
newimage = image_data[:,:,::-1]
Image.fromarray(newimage)

# 变绿
Image.fromarray(image_data[:,:,[1,0,2]])

Image.fromarray(image_data[::5,::5])

reshape ：

x.reshape(2, 5)
# 修改维度，参数是一个tuple

x.reshape(2, -1)
# 变为2行，-1不管

x.reshape(-1, 2)
# 变为两列，不管多少行

例：x.shape: (209,64,64,3)
x_flatten = x.reshape(x.shape[0], -1).T
x_flatten.shape:   (12288,209)


# 高度0 宽度1 像素2
np.transpose(image_data, axes = (1,0,2))

级联（合并操作）：

x = np.array([1, 2, 3])
y = np,array([3, 2, 1])
np.concatenate([x, y]) # 1×6

z = np.array([66, 66, 66]) # 这是一个向量1×3
np.concatenate([x, y, z]) # 1×9

# all the input arrays must have same number of dimensions
# concatenate只能拼接维度一样的，1×3和2×3会报错，但1×3和1×8可以利用列拼接。

A = np.array([[1, 2, 3],
              [4, 5, 6]])  2×3
np.concatenate([A, A])
# 默认沿着行拼接，即4×3
array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3],
       [4, 5, 6]])


np.concatenate([A, A], axis=1)
# 沿着列拼接，即2×6
array([[1, 2, 3, 1, 2, 3],
       [4, 5, 6, 4, 5, 6]])


A2 = np.concatenate([A, z.reshape(1, -1)])


import numpy as np
x = np.array([[1,2,3],
            [8,8,8]])
y = np.array([[9,9,9],
              [5,5,5],
              [4,4,4]])
new = np.vstack([x,y])
new
array([[1, 2, 3],
       [8, 8, 8],
       [9, 9, 9],
       [5, 5, 5],
       [4, 4, 4]])
# 即使维度不同，vstack可以竖直拼接（维度增加）,axis=0


B = np.full((3,2),100)
B
new1 = np.hstack([y,B])
new1
array([[  9,   9,   9, 100, 100],
       [  5,   5,   5, 100, 100],
       [  4,   4,   4, 100, 100]])
# hstack 水平拼接（列数增加）,axis = 1

切分：

np.split()

参数二：indices_or_sections，可以说int、也可以是一维的array

np.vsplit（水平切分）分成上下两块

np.hsplit（竖直切分）分成左右两块

副本

所有赋值运算不会为ndarray的任何元素创建副本，对赋值后的对象的操作也对原来的对象生效。

聚合操作

nd.sum()
nd.sum(axis=1)# 对行求和
nd.sum(axis=0)# 对列求和

nd.mean() # 平均值

nd.mean(axis = 1) # 计算每行的平均值，列没了

nd.mean(axis = 0) # 计算每列的平均值，行没了

nd.prod() # 累乘

nd.std()

nd.var()

nd.median() # 中位数,如果是多维数组，则先要转换为一维数组

nd.max()

nd.argmax() # 返回max值的位置索引

nd.min()

nd.argmin()

nd.sort()

nd.power() # 幂运算

nd.argwhere(nd > 50) # 条件筛选
......

numpy中的ravel()、flatten()、squeeze()都有将多维数组转换为一维数组的功能，区别：
ravel()：如果没有必要，不会产生源数据的副本
flatten()：返回源数据的副本
squeeze()：只能对维数为1的维度降维

reshape(-1)也可以“拉平”多维数组