Numpy计算科学模块（一）

目录

2.1什么是Numpy  

 2.2从Python到Numpy

2.2.2理解Python列表内存管理机制 

 2.2.3从Python列表到Numpy数组

2.2.4Numpy标准数据类型

2.3Numpy数组基础操作

 2.3.1随机数生成机制

2.3.2Numpy数组的常见属性

2.3.3索引访问数组元素

---

2.1什么是Numpy  

NumPy是使用Python进行科学计算的基础软件包。 

NumPy 核心技术之一： Ndarray

NumPy 最重要的一个特点是其 N 维数组对象 ndarray ，它是一系列同类型数据的集合，以 0 下标为开始

进行集合中元素的索引。

ndarray 对象是用于存放同类型元素的多维数组。

ndarray 中的每个元素在内存中都有相同存储大小的区域。

 NumPy核心技术之一：切片和索引

ndarray 对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

ndarray 数组可以基于 0~n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start,

stop 及 step 参数进行，从原数组中切割出一个新数组。

 2.2从Python到Numpy

 2.2.1Python数据类型的缺陷

1. 在 C 语言中，每个变量的数据类型被明确地声明；而在 Python 中，类型是动态推断的。  

习题

1. 简述python 整形的内存存储机制，以及这种机制的优缺点。

当我们在 Python 中定义一个整型，例如 x = 10000 时， x 并不是一个 “ 原生 ” 整型，而是一个指

针，指向一个 C 语言的复合结构体，结构体里包含了一些值。 Python 变量中存的是指向具体数据

的地址。

这意味着与 C 语言这样的编译语言中的整型相比，在 Python 中存储一个整型会有一些开销。

2.2.2理解Python列表内存管理机制 

习题

1. 简述Python内存管理机制的不足。

Python 列表包含一个指向指针块的指针，这其中的每一个指针对应一个完整的 Python 对象。

2. 简述Python和Numpy数组的优缺点。

Python 列表：可变类型，冗余，低效，即可以存放各种类型数据，可充分利用碎片空间，分配数

据。但由于需要额外的头部，将会造成额外的内存消耗；如果，列表元素同类型，将会造成信息冗

余。

NumPy式数组：固定类型，高效，但是不灵活。

 2.2.3从Python列表到Numpy数组

 1、np.random.random(size):返回规模为size的服从均匀分布的随机浮点数数组,位于半开区间

[0.0,1.0)

2 、 np.random.rand(d0, d1, ..., dn) 返回规模为 d0×d1×…×dn 的服从均匀分布的随机浮点数数组 , 位

于半开区间 [0.0, 1.0)

3 、 np.random.randint(low,high,size): 返回规模为 size 的服从均匀分布的随机整形数组，位于半开

区间 [low,high), 不包括 high 这个整数。

4 、 np.random.normal(mean, std, size): 返回规模为 size 的服从高斯分布的随机整形数组， mean 为

均值， std 为方差。

 1、np.zeros(size):返回规模为size的全0数组

 2、np.ones(size):返回规模为size的全1数组

 3、np.empty(size):返回规模为size的未初始化的数组（即数组的值保持着原内存中的数值）

 4、np.eye(n):返回规模为n*n的单位矩阵

 5、np.full(size,fill_value):返回规模为size的用fill_value填充的数组

 6、np.arange([start, ]stop, [step, ]):返回从start到stop，步长为step的一维向量。与

python 的 range() 函数类似。 start 默认为 0 ， step 默认为 1 。参数中包含 [] 代表可选参数。

 7、np.linspace(start, stop, num=50):返回一个从start到stop区间均匀分为num份的一维向量。

num 默认值为 50 。

 习题

1. 创建一个3×3的、在0~1均匀分布的随机数组成的数组。

import numpy as np
A = np.random.random((3,3))
print(A)

 2. 创建一个3×3的、均值为0、方差为3的正态分布的随机数数组。

import numpy as np
A = np.random.normal(0,3,(3,3))
print(A)

3. 创建一个3×3的、[0, 10)区间的随机整型数组。

import numpy as np
A = np.random.randint(0,10,(3,3))
print(A)

4. 创建规模为(4,)类型为浮点数的全0矩阵。

import numpy as np
A = np.zeros((4,))
print(A)

5. 创建规模为(3,)，类型为整形的全1矩阵。

import numpy as np
A = np.ones((3,),dtype=int)
print(A)

6. 创建规模为(3,2)，类型为浮点的未初始化矩阵。

import numpy as np
A = np.empty((3,2))
print(A)

7. 创建规模为(3,2,2)，用3填充的矩阵。

import numpy as np
A = np.full((3,2,2),3)
print(A)

8. 创建规模为(3,3)的单位矩阵。

import numpy as np
A = np.eye(3)
print(A)

9. 自定义参数，使用arange和linspace创建一维数组。比较它们之间的异同点。

import numpy as np
A = np.arange(0,10,2)
print(A)
B = np.linspace(0,10,5)
print(B)

[0 2 4 6 8]
[ 0. 2.5 5. 7.5 10. ]

2.2.4Numpy标准数据类型

NumPy 数组包含同一类型的值，因此详细了解这些数据类型及其限制是非常重要的。因为 NumPy 是在 C 语言的基础上开发的，所以 C 、 Fortran 和其他类似语言的用户会比较熟悉这些数

据类型。

表中列出了标准 NumPy 数据类型。请注意，当构建一个数组时，你可以对参数 dtype 用一个字符

串参数来指定数据类型：

np.zeros(10, dtype='int16')

 或者使用NumPy 对象 np. 对参数 dtype 指定特定类型：

np.zeros(10, dtype=np.int16)

掌握数组的类型转换 astype() 方法

要转换数组的类型，请使用 .astype() 方法（首选）或类型本身作为函数。注意：类型转换函数返

回值为新的类型转换后的数组，对原数组变量的类型不影响。如果要更新原数组的类型，需要将返

回值赋值给原数组变量。

 习题

1. 分别使用字符串形式和numpy对象形式对数组进行自定义类型。自定义规模size，建立全0、全

    （1）随机数数组

      

import numpy as np
np_array_1 = np.zeros((5,))
np_array_2 = np.full((5,),1)
print(np_array_1)
print(np_array_2)

2. 使用arange和linspace数组自定义类型创建一维数组

import numpy as np
A = np.arange(0,10,2)
print(A)
B = np.linspace(0,10,5)
print(B)

[0 2 4 6 8]
[ 0. 2.5 5. 7.5 10. ]

3. 使用 .dtype 属性和 type() 函数查看上面建立的numpy数组对象的具体数据类型。

import numpy as np
np_array_1 = np.zeros((5,))
np_array_2 = np.full((5,),1)
print(np_array_1)
print(np_array_2)
print(np_array_1, np_array_1.dtype, type(np_array_1[0]))

[0. 0. 0. 0. 0.] float64 <class 'numpy.float64'>

2.3Numpy数组基础操作

1. 数组的属性 : 确定数组的大小、形状、存储大小、数据类型。

2. 数组的索引 : 获取和设置数组各个元素的值。

3. 数组的切片 : 在大的数组中获取或设置更小的子数组。

4. 数组的变形 : 改变给定数组的形状。

5. 数组的拼接和分裂 : 将多个数组合并为一个，以及将一个数组分裂成多个

 2.3.1随机数生成机制

理解随机数生成机制 ( 伪随机机制 )

通过设置 NumPy 的随机数生成器的 种子值 参数，以确保每次程序执行时都可以生成同样的随机

数组。

np.random.seed() 函数： 配置 random 模块的随机种子。然后，随机序列通过 randint() 、random()、 normal() 函数生成。

当传入 seed() 相同参数时，则每次生成的随机序列会相同。如果不设置 seed ，默认为将当前

时刻做为 seed ，那么此时的随机序列将会与之前的序列永远不一样，因为当前时刻是唯一

的。

习题

观察结果并回答，如果设置 seed() 参数为一样，那么随机结果是否发生变化。任意修改 seed()

参数，再观察运行结果是否变化。

import numpy as np
np.random.seed(5)
a = np.linspace(1,10,5)
b = np.linspace(1,10,5)
print(a)
print(b)

2.3.2Numpy数组的常见属性

 首先定义三个随机的数组：一个一维数组、一个二维数组和一个三维数组。

import numpy as np
np.random.seed(0) # 设置随机数种子
x1 = np.random.randint(10, size=6) # 一维数组
x2 = np.random.randint(10, size=(3, 4)) # 二维数组
x3 = np.random.randint(10, size=(3, 4, 5)) # 三维数组

每个数组有 ndim （数组的维度）、 shape （数组每个维度的大小）和 size （数组元素数量）属性。

数组元素的数据类型： dtype 属性。

数组元素字节大小： itemsize 属性。数组总字节大小： nbytes 属性。一般来说，可以认为 nbytes 跟

itemsize 和 size 的乘积大小相等。

习题

1. 随机生成一个三维数组 size 为 (n,m,k) 的数组，然后使用属性输出数据的维度、每个维度的大

小、数组元素数量、数据类型。

import numpy as np
np.random.seed(0)
X = np.random.randint(10,size=(3,4,5))
print("X ndim: ", X.ndim)
print("X shape:", X.shape)
print("X size: ", X.size)
print("X dtype:", X.dtype)

2.3.3索引访问数组元素

通过中括号指定索引获取第 个值（从 0 开始计数）。

使用负索引访问数组的末尾进行。

import numpy as np
np.random.seed(0) # 设置随机数种子
x1 = np.random.randint(10, size=6) # 一维数组
print(x1)
print(x1[0])
print(x1[4])

Numpy 相对于 Python 列表，直接支持多维数组 ( 一个重大的技术突破 ) 。 Numpy 数据可以通过索引，直

接访问多维数组的元素。多维数组中，可以用逗号分隔的索引元组获取元素。 Python 列表并没有实现多

维列表功能，虽然它可以使用嵌套表示多维列表，但是元素索引访问比较繁琐。

类似于 Python ，可以修改索引访问的元素的值。

x2 = np.random.randint(10, size=(3, 4)) # 二维数组
print(x2)
print(x2[0, 0])
print(x2[2, 0])
print(x2[2, -1])

习题

1. 随机生成一个三维数组 size 为 (n,m,k) 的整数数组，使用正索引访问元素，负索引访问元素，正 负索引组合访问元素。

x = np.random.randint(10, size=(3,3,3)) # 二维数组
print(x)
print(x[0,0,0])
print(x[2,0,0])
print(x[2,0,-1])