NumPy的学习，常用方法详解

前言

NumPy是用Python进行科学计算的基础库。NumPy以一个强大的n维数组对象为中心，它还包含有用的线性代数、傅立叶变换和随机数函数。

1.创建数组

import numpy as np

np.zeros：函数的作用是:创建一个包含任意数量零的数组
创建一个一维数组(零矩阵)

np.zeros(5)

创建一个二维数组(3x4的零矩阵)

np.zeros((3,4))

在NumPy中，每个维度称为一个轴，轴的数量称为秩。
例如，上面的3x4矩阵是一个秩为2的数组(它是二维的)。
第一个轴的长度是3，第二个轴的长度是4。
数组的轴长度列表称为数组的形状。
例如，上述矩阵的形状为(3,4)。
秩等于形状的长度。
数组的大小是元素的总数，它是所有轴长度的乘积。3 * 4 = 12

a = np.zeros((3,4))
print('数据的形状：',a.shape)
print('数据的秩/维度：',a.ndim)#等同len(a.shape)
print('数据的元素总数：',a.size)

n维数组
还可以创建任意秩的n维数组。例如，下面是一个3D数组(rank=3)，形状为(2,3,4)

np.zeros((2,3,4))

np.ones：
下面创建一个满是1的3x4矩阵:

np.ones((3,4))

np.full
用给定值，初始化一个给定形状的数组。以下是一个充满π的3x4矩阵。

np.full((3,4), np.pi)

np.empty
一个未初始化的2x3数组(其内容是不可预测的，因为它是当时内存中的任何内容):

np.empty((2,3))

np.array
可以使用常规python数组初始化narray。只需调用数组函数:

np.array([[1,2,3,4], [10, 20, 30, 40]])

np.arange
可以使用NumPy的range函数创建一个narray，它类似于python的内置range函数:

np.arange(1, 5)

还可以提供一个step参数:

np.arange(1, 5, 0.5)

np.linspace
在处理浮点数时，通常最好使用linspace函数而不是arrange。linspace函数返回一个数组，其中包含在两个值之间均匀分布的特定数量的点(注意包括最大值，与range相反):

print(np.linspace(0, 5/3, 6))

np.rand 和np.randn
NumPy的random模块中有许多函数可用于创建用随机值初始化的ndarray。
例如，下面是一个3x4矩阵，用0到1之间的随机浮点数初始化(均匀分布):

np.random.rand(3,4)

下面是一个3x4矩阵，包含随机浮点数，采样自均值为0，方差为1的单变量正态分布(高斯分布):

np.random.randn(3,4)

这里进行画图，做出直观展示

%matplotlib inline
import matplotlib.pyplot as plt
plt.hist(np.random.rand(100000), density=True, bins=100, histtype="step", color="blue", label="rand")
plt.hist(np.random.randn(100000), density=True, bins=100, histtype="step", color="red", label="randn")
plt.axis([-2.5, 2.5, 0, 1.1])
plt.legend(loc = "upper left")
plt.title("Random distributions")
plt.xlabel("Value")
plt.ylabel("Density")
plt.show()

np.fromfunction
也可以使用函数初始化narray:

def my_function(z, y, x):
    return x + 10 * y + 100 * z

np.fromfunction(my_function, (3, 2, 10))

NumPy首先创建三个ndarray(每个维度一个)，形状为(3,2,10)。每个数组的值等于沿特定轴的坐标。
表达式x + 10 * y + 100 * z 中的项x, y和z实际上是数组。函数my_function只被调用一次，避免了每个元素调用一次，使得初始化非常有效。

2.数组的数据类型

dtype
NumPy的ndarray高效，部分原因是它们的所有元素必须具有相同的类型。可以通过查看dtype属性来检查数据类型:

c = np.arange(1, 5)
print(c.dtype, c)

c = np.arange(1.0, 5.0)
print(c.dtype, c)

还可以通过设置dtype参数在创建数组时显式设置它:

d = np.arange(1, 5, dtype=np.complex64)
print(d.dtype, d)

常见的数据类型还包括int8、int16、int32、int64、uint8|16|32|64、float16|32|64和complex64|128。

itemsize
itemsize属性返回项的大小(以字节为单位):

e = np.arange(1, 5, dtype=np.complex64)
e.itemsize #8

3.重塑数组

更改narray的形状可以设置其shape属性。但是，数组的大小必须保持不变。

g = np.arange(24)
print(g)
print("Rank:", g.ndim)

g.shape = (6, 4)
print(g)
print("Rank:", g.ndim)

g.shape = (2, 3, 4)
print(g)
print("Rank:", g.ndim)

reshape
reshape函数返回一个指向相同数据的新的narray对象。这意味着修改一个数组也会修改另一个数组；

g2 = g.reshape(4,6)
print(g2)
print("Rank:", g2.ndim)

ravel
ravel函数返回一个新的一维narray，它也指向相同的数据:

g.ravel()

4.算术运算

所有常用的算术运算符(+，-，*，/，//，**等)都可以与ndarray一起使用。

a = np.array([14, 23, 32, 41])
b = np.array([5,  4,  3,  2])
print("a + b  =", a + b)
print("a - b  =", a - b)
print("a * b  =", a * b)
print("a / b  =", a / b)
print("a // b  =", a // b)
print("a % b  =", a % b)
print("a ** b =", a ** b)

5.条件运算符

条件运算符也适用于元素:

m = np.array([20, -5, 30, 40])
m < [15, 16, 35, 36]

m < 25  # 等价于 m < [25, 25, 25, 25]

m[m < 25]

6.数学和统计函数

许多数学和统计函数可用于ndarray。

例如:求均值，最小值，最大值，总值等

a = np.array([[-2.5, 3.1, 7], [10, 11, 12]])
for func in (a.mean, a.min, a.max, a.sum, a.prod, a.std, a.var):
    print(func.__name__, "=", func())

NumPy还提供了快速的元素函数，称为通用函数或ufunc。它们是简单函数的矢量化包装。例如，square返回一个新的ndarray，是每个元素的平方:

a = np.array([[-2.5, 3.1, 7], [10, 11, 12]])
np.square(a)

print("Original ndarray")
print(a)
for func in (np.abs, np.sqrt, np.exp, np.log, np.sign, np.ceil, np.modf, np.isnan, np.cos):
    print("\n", func.__name__)
    print(func(a))

还有许多二进制ufuncs，它们按元素方式应用于两个数组。

a = np.array([1, -2, 3, 4])
b = np.array([2, 8, -1, 7])
np.add(a, b)  # 等价于 a + b

np.greater(a, b)  # 等价于 a > b

np.maximum(a, b)

np.copysign(a, b)

7.数组索引\数组切片

一维数组

a = np.array([1, 5, 3, 19, 13, 7, 3])
a[3] #19

a[2:5]

a[2:-1]

a[:2]

a[2::2]

a[::-1]

多维数组
多维数组可以以类似的方式访问，通过为每个轴提供一个索引或切片，用逗号分隔:

b = np.arange(48).reshape(4, 12)
b

b[1, 2]  # row 1, col 2   是14

b[1, :]  # 第二行

b[:, 1]  # 第二列

b[1:3, :] #第二至三行

b[(0,2), 2:5]  # 第一行，和第三行, 列3-4

8.叠加数组

将不同的数组堆叠在一起通常很有用。NumPy提供了几个函数来实现这一点。

q1 = np.full((3,4), 1.0)
q2 = np.full((4,4), 2.0)
q3 = np.full((3,4), 3.0)

vstack
使用vstack垂直堆叠它们:

q4 = np.vstack((q1, q2, q3))
q4

hstack
可以使用hstack来水平堆叠数组:

q5 = np.hstack((q1, q3))
q5

concatenate
concatenate函数沿着任何给定的现有轴堆叠数组。

q7 = np.concatenate((q1, q2, q3), axis=0)  # 等价于 vstack ，当axis=1时，等价于hstack
q7

stack
stack函数沿着一个新的轴堆叠数组。所有数组必须具有相同的形状

q8 = np.stack((q1, q3))
q8

9.数组分割

分割是堆叠的对立面。例如，使用vsplit函数来垂直分割矩阵。
首先，创建一个6x4矩阵:

r = np.arange(24).reshape(6,4)
r

r1, r2, r3 = np.vsplit(r, 3)

还有一个split函数，可以沿着任何给定的轴拆分数组。调用vsplit相当于调用轴为0的split。还有一个hsplit函数，相当于用axis=1调用split:

r4, r5 = np.hsplit(r, 2)