Numpy 快速计算科学库

简介

• 一个开源的Python科学计算库，用于快速处理任意维度的数组
• 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官方中文文档

导包：import numpy as np

数组基本信息

NumPy提供了一个N维数组类型ndarray，它描述了相同类型的items的集合（数组中元素的数据类型相同）

ndarray比原生python列表运行计算时大约快10倍，原因：

• 因为ndarray仅能存储相同类型的数据（存在一个小数，则所有的整数均化为小数），其直接指向数据而非内存地址
• 底层由c编写，内部解除了GIL（全局解释器锁）
• Numpy内置并行运算功能，并会自定进行并行运算

属性

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

数据形状

a = np.array([1,2,3,4])  # 一维数组 形状元组为（4,）
b = np.array([[1,2,3],[4,5,6]])  # 二维数组 形状元祖为（2,3）
c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])  # 三维数组 形状元祖为（2,2,3）

数据类型

数据名称	描述	数据简写字符
np.bool	用一个字节存储的布尔类型（True或False）	b
np.int8	一个字节大小，-128 至 127	i1
np.int16	整数，-32768 至 32767	i2
np.int32	整数，-2^31​ 至 2^32 -1	i4和i
np.int64	整数，-2^63 至 2^63 - 1	i8
np.uint8	无符号整数，0 至 255	u1
np.uint16	无符号整数，0 至 65535	u2
np.uint32	无符号整数，0 至 2^32 - 1	u4
np.uint64	无符号整数，0 至 2^64 - 1	u8
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	f2
np.float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	f4
np.float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	f8
np.complex64	复数，分别用两个32位浮点数表示实部和虚部	c8
np.complex128	复数，分别用两个64位浮点数表示实部和虚部	c16
np.object_	python对象	O
np.string_	字符串（字节流）	S
np.unicode_	unicode类型	U

三种指定数组元素数据类型方式
b = np.array([[1,2,3],[4,5,6]], dtype = np.float32 )
b = np.array([[1,2,3],[4,5,6]], dtype = 'float32' )
b = np.array([[1,2,3],[4,5,6]]dtype = 'f4')

操作数组

生成数组

零一数组

1. 全零数组
   np.zeros(shape, dtype) 若不指定dtype则 默认为float64型
np.zeros_like(已存在的数组名, dtype) 根据指定的存在数组的 形状生成 全零数组
2. 全一数组
   np.ones(shape, dtype) 若不指定dtype则 默认为float64型
np.ones_like(已存在的数组名, dtype) 根据指定的存在数组的 形状生成 全零数组
3. 单位矩阵 np.eye(值) 生成一个指定值行列的单位矩阵
4. np.full(shape, 指定值)填充出一个全指定值的数组

注意：

• shape表示数组维度的元组，例：（2,3）两行三列的二维数组
• zeros_like和ones_like仅仅是根据传入数组的维度 生成新的数组，而非修改传入的数组
• dtype=上表中的数组名称(dtype=np.int16)和dtype="数据简写字符"(dtype="u2")两种传参方式

从现有数组生成

• np.array(已有数组名, dtype)
• np.asarray(已有数组名, dtype)

注意：

• 区别在于两者的拷贝已有数组的深度：
  • np.arrary()表示深拷贝
  • np.asarray()为浅拷贝

固定范围数组

1. 范围平分（等差数列）
   np.linspace (起始值, 终止值, 平分份数, endpoint)
   平分份数默认为：50份，endpoint=False表示不包含终止值，默认包含终止值
   

2. 设置步长（等差数列）
   np.arange(起始值,终止值, 步长, dtype)
   当 加步长 超过 终止值时 数值停止，步长默认为 1，默认不包含终止值
   

3. 范围平分得指数（等比数列）
   np.logspace(起始值, 终止值, 平分份数, base=底数) ，默认包含终止值；底数默认为：10
   

随机数组

均匀分布数据数组

• 生成0到1之间随机值的数组
  格式：np.random.rand(shape) shape去括号
  作用：创建一个 指定数组维数的 填充0到1之间随机值的数组
  

• 指定范围的随机值数组
  格式np.random.uniform(low=采样下界, high=采样上界, size=shape) 不可指定dtype
  功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开

  • low: 采样边界1，float类型，默认值为 0.0；值可比high大
  • high: 采样边界2，float类型，默认值为1.0；可省略
  • size: 输出样本的数组维度元祖，缺省时输出1个值
    

• 指定范围的随机整值数组
  np.random.randint(low，high=None，size=shape，dtype='i') 不包含终止值
  功能：从一个均匀分布中随机采样，生成一个整数或N维整数数组，
  取数范围：若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数
  

正态分布随机数组

正态分布：一种概率分布。正态分布是具有两个参数μ和σ的连续型随机变量的分布，所以正态分布记作N(μ，σ )

• μ是服从正态分布的随机变量的 均值，表示数组越靠近μ，概率越大

• σ是此随机变量的 标准差，σ越大表示越离散，图形越矮胖
  

• 标准正态分布（μ=0和σ=1）随机值数组
  格式：np.random.randn(shape) shape去括号

• 指定μ和σ的正态分布随机数组
  格式：np.random.normal(loc=均值, scale=标准差, size=shape)
shape默认为：None，即返回一个随机值

• np.random.standard_normal(size=shape)
  返回指定形状的标准正态分布的数组，默认为：None
  与np.random.randn(shape)没有太大差异

数组操作

索引和切片

二维数组的切片盒索引是：先行后列 （从外向里依次的下标）

形状修改

注意：在转换形状的时候，一定要注意变形前后的数组元素个数必须一致

1. ndarray数组名.reshape(shape, order) 不修改原有数组，而是生成一个新数组
2. ndarray数组名.resize(new_shape) 修改原有数组的shape，shape中-1表示自行计算该维度元素个数，最多有一个
3. 数组转置：ndarray数组名.T，行列装换，生成新数组，不修改原数组
   
   

类型转换

1. ndarray数组名.astype(type)返回修改为指定类型之后的数组
   例：stock_int.astype(np.int32)
2. ndarray数组名.tostring()或者ndarray数组名.tobytes()构造包含数组中原始数据的Python字符串和字节
3. np.unique(数组名) 数组的去重并一维数组输出

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

数组运算

逻辑判断 和 布尔赋值

# 逻辑判断, 如果成绩大于60就标记为True 否则为False   注意仅判断不修改
>>> test_score > 60
array([[ True,  True,  True, False,  True],
       [ True,  True,  True, False,  True],
       [ True,  True, False, False,  True],
       [False,  True,  True,  True,  True]])

# 布尔赋值, 将满足条件的设置为指定的值-布尔索引  修改原数组数据
>>> test_score[test_score > 60] = 1
>>> test_score
array([[ 1,  1,  1, 52,  1],
       [ 1,  1,  1, 59,  1],
       [ 1,  1, 44, 44,  1],
       [59,  1,  1,  1,  1]])

复合逻辑判断：结合np.logical_and和np.logical_or使用

# 将大于60且小于90的标记为True 否则为False  注意仅判断不修改
np.logical_and(temp > 60, temp < 90)
# 将大于90或小于60的数据修改为1  会修改原数组的数据
temp[np.logical_or(temp > 90, temp < 60)] = 1

通用判断函数

1. np.all() 全真才真，一假就假

   # 判断前两名同学的成绩[0:2, :]是否全及格
   np.all(score[0:2, :] > 60)
   执行结果：| True 或 False
   

2. np.any() 一真就真，全假才假

   # 判断前两名同学的成绩[0:2, :]是否有大于90分的
   np.any(score[0:2, :] > 80)
   执行结果：| True 或 False
   

np.where（三元运算符）

格式：np.where(条件，条件成立执行的语句，条件不成立执行的语句)

# 将大于90或小于60的换为1，否则为0
np.where(np.logical_or(temp > 90, temp < 60), 1, 0)

统计计算

作用	命令
数组最小值	np.min(数组, axis )
数组最大值	np.max(数组, axis )
数组中值	np.median(数组, axis ) 中间值或中间两个值的平均值
数组平均值	np.mean(数组, axis , dtype)
数组标准差	np.std(数组, axis , dtype)
数组方差	np.var(数组, axis , dtype)
数组最大元素对应的下标	np.argmax(数组，axis)
数组最小元素对应的下标	np.argmin(数组，axis)

注意：Numpy中轴向(axis)为0代表列, 为1代表行 去进行统计

数组与值计算

数组与值的加减乘除运算就是数组中的每个元素都对值进行操作

注意：若不重新赋值则不修改原数组，仅是生成一个新数组

数组与数组的运算

并非所有的数组之间都可以进行运算，仅在 shape完全相同 和 符合广播机制 的情况下才能进行数组减运算。

1. 两个数组的shape完全相同，对应的位置进行计算，也可以进行比较
   
   

2. 符合广播机制数据
   广播机制实现了时两个或两个以上数组的运算，即使这些数组的shape不是完全相同的，共有维度只需要满足如下任意一个条件即可（比较顺序：从后往前）

   1. 数组的某一维度等长
   2. 其中一个数组的维度为1

矩阵和向量运算

• 矩阵：二维数组
  
• 向量：一种特殊矩阵，单位矩阵包含行向量和列向量
  
  矩阵和向量的运算符合上文的数组运算，但上文方法中的 x号运算不是数学中矩阵乘法运算（通过函数实现）

矩阵相乘

矩阵乘法遵循准则：(M行, N列)*(N行, L列) = (M行, L列)
代码实现格式：np.matmul(矩阵a,矩阵 b)和np.dot(矩阵a,矩阵b)
注意： np.matmul() 禁止矩阵与标量(数值) 的乘法 （即np.matmul(矩阵1， 2)会报错）

矩阵和向量乘法也符合矩阵相乘

1*1+3*5 = 16
4*1+0*5 = 4
2*1+1*5 = 7

注意：代码B = A * B无法实现 数学上的矩阵相乘

矩阵的逆和转置

矩阵的逆：如矩阵 A 是一个 m×m 矩阵（方阵），如果有逆矩阵，则：A * A^-1 = A^-1 *A=1
A^-1 便是矩阵A的逆

矩阵转置：将 A 的所有元素绕着一条从第 1 行第 1 列元素出发的右下方 45 度的射线作 镜面反转

Numpy

创建

访问元素

元素操作

数值计算函数

求和函数

布尔函数（逻辑判断）

线性代数函数

元素取整