一、Numpy简介
NumPy 的全称是“ Numeric Python”，它是 Python 的第三方扩展包，主要用来计算、处理一维或多维数组。
在数组算术计算方面， NumPy 提供了大量的数学函数。NumPy 的底层主要用 C语言编写，因此它能够高速地执行数值计算。NumPy 还提供了多种数据结构，这些数据结构能够非常契合的应用在数组和矩阵的运算上。随着数据科学（Data Science，简称 DS，包括大数据分析与处理、大数据存储、数据抓取等分支）的蓬勃发展，像 NumPy、SciPy（Python科学计算库）、Pandas（基于NumPy的数据处理库） 等数据分析库都有了大量的增长，它们都具有较简单的语法格式。
NumPy 可以很便捷高效地处理大量数据，那么使用 NumPy 做数据处理有哪些优点呢？
- NumPy 是 Python 科学计算基础库；
- NumPy 可以对数组进行高效的数学运算；
- NumPy 的 ndarray 对象可以用来构建多维数组；
- NumPy 能够执行傅立叶变换与重塑多维数组形状；
- NumPy 提供了线性代数，以及随机数生成的内置函数。
二、Numpy内容
NumPy 定义了一个 n 维数组对象，简称 ndarray 对象，它是一个一系列相同类型元素组成的数组集合。数组中的每个元素都占有大小相同的内存块，您可以使用索引或切片的方式获取数组中的每个元素。
ndarray 对象有一个 dtype 属性，该属性用来描述元素的数据类型。ndarray 对象采用了数组的索引机制，将数组中的每个元素映射到内存块上，并且按照一定的布局对内存块进行排列，常用的布局方式有两种，即按行或者按列。
1、通过 NumPy 的内置函数 array() 可以创建 ndarray 对象，其语法格式如下：
numpy.array(object, dtype = None, copy = True, order = None,ndmin = 0)
参数说明
| 序号 | 参数 | 描述说明 |
|---|---|---|
| 1 | object | 表示一个数组序列。 |
| 2 | dtype | 可选参数，通过它可以更改数组的数据类型。 |
| 3 | copy | 可选参数，表示数组能否被复制，默认是 True。 |
| 4 | order | 以哪种内存布局创建数组，有 3 个可选值，分别是 C(行序列)/F(列序列)/A(默认)。 |
| 5 | ndim | 用于指定数组的维度。 |
2、NumPy 中每种数据类型都有一个唯一标识的字符码，如下所示：
数据类型标识码
| 字符 | 对应类型 |
|---|---|
| b | 代表布尔型 |
| i | 带符号整型 |
| u | 无符号整型 |
| f | 浮点型 |
| c | 复数浮点型 |
| m | 时间间隔（timedelta） |
| M | datatime（日期时间） |
| O | Python对象 |
| S,a | 字节串（S）与字符串（a） |
| U | Unicode |
| V | 原始数据（void） |
3、NumPy 作为 Python 的扩展包，它提供了比 Python 更加丰富的数据类型
NumPy数据类型
| 1 | bool_ | 布尔型数据类型（True 或者 False） |
| 2 | int_ | 默认整数类型，类似于 C 语言中的 long，取值为 int32 或 int64 |
| 3 | intc | 和 C 语言的 int 类型一样，一般是 int32 或 int 64 |
| 4 | intp | 用于索引的整数类型（类似于 C 的 ssize_t，通常为 int32 或 int64） |
| 5 | int8 | 代表与1字节相同的8位整数。值的范围是-128到127。 |
| 6 | int16 | 代表 2 字节（16位）的整数。范围是-32768至32767。 |
| 7 | int32 | 代表 4 字节（32位）整数。范围是-2147483648至2147483647。 |
| 8 | int64 | 表示 8 字节（64位）整数。范围是-9223372036854775808至9223372036854775807。 |
| 9 | uint8 | 代表1字节（8位）无符号整数。 |
| 10 | uint16 | 2 字节（16位）无符号整数。 |
| 11 | uint32 | 4 字节（32位）的无符号整数。 |
| 12 | uint64 | 8 字节（64位）的无符号整数。 |
| 13 | float_ | float64 类型的简写。 |
| 14 | float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10个尾数位。 |
| 15 | float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23个尾数位。 |
| 16 | float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52个尾数位。 |
| 17 | complex_ | 复数类型，与 complex128 类型相同。 |
| 18 | complex64 | 表示实部和虚部共享 32 位的复数。 |
| 19 | complex128 | 表示实部和虚部共享 64 位的复数。 |
| 20 | str_ | 表示字符串类型 |
| 21 | string_ | 表示字节串类型 |
三、Numpy常用的函数属性
数组属性 ：Numpy 数组的常用属性如下
-
ndim查看数组维数。
-
reshape数组变纬。
-
ndarray.shape用来调整数组维度的大小。
-
ndarray.reshape()调整数组形状。
-
ndarray.ndim返回的是数组的维数。
-
ndarray.itemsize返回数组中每个元素的大小（以字节为单位）。
-
ndarray.flags返回 ndarray 数组的内存信息，如 ndarray 数组的存储方式，以及是否是其他数组的副本等。
-
numpy.empty() 创建未初始化的数组，可以指定创建数组的形状（shape）和数据类型（dtype）
numpy.empty(shape, dtype = float, order = 'C') -
numpy.zeros() 创建元素为0的数组，同时还可以指定被数组的形状
numpy. zeros(shape,dtype=float,order="C")注意：“C”代表以行顺序存储，“F”则表示以列顺序存储
-
numpy.ones() 返回指定形状大小与数据类型的新数组，并且新数组中每项元素均用 1 填充。
-
numpy.asarray() 看似asarray() 与 array() 类似，但是它比 array() 更为简单。asarray() 能够将一个 Python 序列转化为 ndarray 对象。
-
numpy.frombuffer() 表示使用指定的缓冲区创建数组。
-
numpy.formiter() 该方法可以把迭代对象转换为 ndarray 数组，其返回值是一个一维数组。
区间数组，是指数组元素的取值位于某个范围内，并且数组元素之间可能会呈现某种规律，比如等比数列、递增、递减等。
- numpy.arrange() 在 NumPy 中，您可以使用 arange() 来创建给定数值范围的数组。其语法格式：
numpy.arange(start默认是 0, stop终止值, step步长，默认为 1, dtype可选参数)
- numpy.linspace() 表示在指定的数值区间内，返回均匀间隔的一维等差数组，默认均分 50 份，语法格式如下：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
注意：endpoint：默认为 True，表示数列包含 stop 终止值，反之不包含；
retstep：默认为 True，表示生成的数组中会显示公差项，反之不显示
- numpy,logspace() 函数同样返回一个 ndarray 数组，它用于创建等比数组，语法格式如下：
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)注意：base指对数函数的 log 底数，默认为10。
四、Numpy索引和切片
在 NumPy 中，如果想要访问，或修改数组中的元素，您可以采用索引或切片的方式，比如使用从 0 开始的索引依次访问数组中的元素，这与 Python 的 list 列表是相同的。
NumPy 提供了多种类型的索引方式，常用方式有两种：基本切片与高级索引。
- 基本切片
NumPy 内置函数 slice（）可以用来构造切片对象，该函数需要传递三个参数值分别是 start起始索引、stop终止索引 和 step步长，通过它可以实现从原数组的上切割出一个新数组。
import numpy as np
a = np.arange(10)
print(a)
#生成切片对象
s = slice(2,9,2)#从索引2开始到索引9停止，间隔时间为2
print(a[s])
b = a[2:9:2] #冒号来分割切片参数
print(b)冒号切片做简单地说明：
- 如果仅输入一个参数，则将返回与索引相对应的元素。 对于上述示例来说
[3]就会返回 3。 - 如果在其前面插入 : 如
[:9]，则会返回 0-8 的所有数字（不包含9）。 - 如是
[2:]则会返回 2-9 之间的数字。 - 如果在两个参数之间，如
[2:9]，则对两个索引值之间的所有元素进行切片（不包括停止索引）。
- 多维数组切片
import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a)
# 从[1:]索引处开始切割
print(a[1:])注意：切片还可以使用省略号“…...”，如果在行位置使用省略号，那么返回值将包含所有行元素，反之，则包含所有列元素。
import numpy as np
#创建a数组
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
#返回数组的第二列
print (a[...,1])
#返回数组的第二行
print (a[1,...])
#返回第二列后的所有项
print (a[...,1:])五、NumPy高级索引
NumPy 与 Python 的内置序列相比，它提供了更多的索引方式。比如整数数组索引、布尔索引以及花式索引。
高级索引返回的是数组的副本（深拷贝），而切片操作返回的是数组视图（浅拷贝）。
1、整数数组索引
整数数组索引，它可以选择数组中的任意一个元素，比如，选择第几行第几列的某个元素。
import numpy as np
#创建二维数组
x = np.array([[1, 2], [3, 4], [5, 6]])
#[0,1,2]代表行索引;[0,1,0]代表列索引
y = x[[0,1,2],[0,1,0]]
print (y)import numpy as np
b = np.array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9,10,11]])
r = np.array([[0,0],[3,3]])
c = np.array([[0,2],[0,2]])
#获取四个角的元素
c = b[r,c]
print(c)2、布尔数组索引
当输出的结果需要经过布尔运算（如比较运算）时，此时会使用到另一种高级索引方式，即布尔数组索引。
#返回所有大于6的数字组成的数组
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print (x[x > 6])#可以使用补码运算符来去除 NaN（即非数字元素）
#~：这是逻辑非运算符
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print(a[~np.isnan(a)])3、花式索引
花式索引也可以理解为整数数组索引，但是它们之间又略有不同。
六、Numpy遍历数组
NumPy 提供了一个 nditer 迭代器对象，它可以配合 for 循环完成对数组元素的遍历。
在内存中，Numpy 数组提供了两种存储数据的方式，分别是 C-order（行优先顺序）与 Fortrant-order（列优先顺序）。那么 nditer 迭代器又是如何处理具有特定存储顺序的数组呢？其实它选择了一种与数组内存布局一致的顺序，之所以这样做，是为了提升数据的访问效率。
在默认情况下，当我们遍历数组中元素的时候，不需要考虑数组的存储顺序
import numpy as np
a = np.arange(0,60,5)
a = a.reshape(3,4)#三行四列
#a的转置数组
b = a.T
print (b)#四行三列
for x in np.nditer(b):
print(x，end=",")
#copy方法生成数组副本
for x in np.nditer(a.T.copy(order='C')):
print (x, end=", " )1、指定遍历顺序
可以通过 nditer 对象的order参数来指定数组的遍历的顺序
#行优先
for x in np.nditer(a, order = 'C'):
print (x,end=",")
#列优先
for x in np.nditer(a, order = 'F'):
print (x,end=",")
2、修改数组元素值
nditer 对象提供了一个可选参数op_flags，它表示能否在遍历数组时对元素进行修改。它提供了三种模式。
1、 read-only
只读模式，在这种模式下，遍历时不能修改数组中的元素。
2、read-write
读写模式，遍历时可以修改元素值。
3、write-only
只写模式，在遍历时可以修改元素值。
具体代码实现：
import numpy as np
a = np.arange(0,60,5)
print(a)
a = a.reshape(3,4)
print ("原数组是:\n",a)
for x in np.nditer(a, op_flags=['readwrite']):
x[...]=2*x
print ('修改后的数组是：\n',a)在 NumPy 中，x[...]是一种特殊x的索引方式，被称为“椭圆”索引或全切片索引。它的作用是引用数组 x 的所有元素。
3、外部循环使用
nditer 对象的构造函数有一个“flags”参数，它可以接受以下参数值：
| 参数值 | 描述说明 |
|---|---|
| c_index | 可以跟踪 C 顺序的索引。 |
| f_index | 可以跟踪 Fortran 顺序的索引。 |
| multi_index | 每次迭代都会跟踪一种索引类型。 |
| external_loop | 返回的遍历结果是具有多个值的一维数组。 |
import numpy as np
a = np.arange(0,60,5)
a = a.reshape(3,4)
print("原数组",a)
#修改后数组
for x in np.nditer(a, flags = ['external_loop'], order = 'F'):
print(x)七、NumPy相关数组操作
NumPy 中包含了一些处理数组的常用方法，大致可分为以下几类：
- 数组变维操作
- 数组转置操作
- 修改数组维度操作
- 连接与分割数组操作
- 创建数组：NumPy提供了多种方法来创建数组，如使用
numpy.array()函数，或者使用numpy.zeros()、numpy.ones()、numpy.empty()等函数来创建具有特定形状和值的数组。- 数组操作：NumPy提供了许多用于操作数组的方法，如加法、减法、乘法、除法等。此外，还有许多用于比较数组的方法，如
numpy.equal()、numpy.not_equal()、numpy.greater()等。- 索引和切片：NumPy允许你使用索引和切片来访问和修改数组的元素。你可以使用整数索引、切片、布尔索引等来访问数组的元素。
- 形状和大小：NumPy提供了许多方法来获取数组的形状和大小，如
numpy.shape()和numpy.size()。- 元素级别的操作：NumPy提供了许多用于元素级别的操作的方法，如
numpy.sum()、numpy.mean()、numpy.std()等。- 排序和搜索：NumPy提供了多种排序和搜索方法，如
numpy.sort()、numpy.argsort()、numpy.where()等。- 统计：NumPy提供了许多用于统计的方法，如计算数组的元素个数、最大值、最小值等。
- 线性代数：NumPy提供了许多用于线性代数操作的方法，如矩阵乘法、矩阵转置等。
- 随机数生成：NumPy还提供了许多用于生成随机数的方法，如生成均匀分布的随机数、正态分布的随机数等。
1、数组转置操作
| 函数名称 | 说明 |
|---|---|
| transpose | 将数组的维度值进行对换，比如二维数组维度(2,4)使用该方法后为(4,2)。 |
| ndarray.T | 与 transpose 方法相同。 |
| rollaxis | 沿着指定的轴向后滚动至规定的位置。 |
| swapaxes | 对数组的轴进行对换。 |
numpy.transpose()
numpy.transpose() 用于对换多维数组的维度，比如二维数组使用此方法可以实现矩阵转置，语法格式如下：
numpy.transpose(arr, axes)
- arr：要操作的数组
- axes：可选参数，元组或者整数列表，将会按照该参数进行转置。
numpy.rollaxis()
该方法表示沿着指定的轴，向后滚动至一个特定位置。格式如下：
numpy.rollaxis(arr, axis, start)
- arr：要传入的数组；
- axis：沿着哪条轴向后滚动，其它轴的相对位置不会改变；
- start：默认以 0 轴开始，可以根据数组维度调整它的值。
numpy.swapaxes()
方法用于交换数组的两个轴。其语法格式如下：
numpy.swapaxes(arr, axis1, axis2)
import numpy as np
# 创建一个 3x4 的数组
a = np.arange(12).reshape(3,4)
print(a)
# 交换第0和第1条轴
result = np.swapaxes(a, 0, 1)
print(result)2、修改数组维度操作
修改数组维度的操作，主要有以下方法：
| 函数名称 | 描述说明 |
|---|---|
| broadcast | 生成一个模拟广播的对象。 |
| broadcast_to | 将数组广播为新的形状。 |
| expand_dims | 扩展数组的形状。 |
| squeeze | 从数组的形状中删除一维项。 |
1、numpy.broadcast()
返回值是数组被广播后的对象，该函数以两个数组作为输入参数。
import numpy as np
a = np.array([[1], [2], [3]])
b = np.array([4, 5, 6])
# 对b广播a
d = np.broadcast(a,b)
#d它拥有 iterator 属性
r,c = d.iters
print (next(r), next(c))
print (next(r), next(c))
# 使用broadcast将a与b相加
e = np.broadcast(a,b)
f=np.empty(e.shape)
f.flat=[x+y for (x,y) in e]
print(f)
print(a+b)2、 numpy.broadcast_to()
该函数将数组广播到新形状中，它在原始数组的基础上返回一个只读视图。如果新形状不符合 NumPy 的广播规则，则会抛出 ValueError 异常。函数的语法格式如下：
numpy.broadcast_to(array, shape, subok)
import numpy as np
a = np.arange(4).reshape(1,4)
print(a)
print(np.broadcast_to(a,(3,4)))3、numpy.expand_dims()
在指定位置插入新的轴，从而扩展数组的维度，语法格式如下:
numpy.expand_dims(arr, axis)
参数说明：
- arr：输入数组
- axis：新轴插入的位置
import numpy as np
x = np.array(([1,2],[3,4]))
print(x)
y = np.expand_dims(x,axis = 0)
print(y)
print(x.shape,y.shape)4、numpy.squeeze()
删除数组中维度为 1 的项，例如，一个数组的 shape 是 (5,1)，经此函数后，shape 变为 (5,) 。其函数语法格式如下：
numpy.squeeze(arr, axis)
参数说明：
- arr：输入数的组；
- axis：取值为整数或整数元组，用于指定需要删除的维度所在轴，指定的维度值必须为 1 ，否则将会报错，若为 None，则删除数组维度中所有为 1 的项。
import numpy as np
a = np.arange(9).reshape(1,3,3) #1x3x3的三维数组
print (a)
b = np.squeeze(a) #删除数组中维度为 1 的项
print (b)3、连接与分割数组操作
| 类型 | 函数名称 | 描述说明 |
|---|---|---|
| 连接数组方法 | concatenate | 沿指定轴连接两个或者多个相同形状的数组 |
| stack | 沿着新的轴连接一系列数组 | |
| hstack | 按水平顺序堆叠序列中数组（列方向） | |
| vstack | 按垂直方向堆叠序列中数组（行方向） | |
| 分割数组方法 | split | 将一个数组分割为多个子数组 |
| hsplit | 将一个数组水平分割为多个子数组（按列） | |
| vsplit | 将一个数组垂直分割为多个子数组（按行） |
1、连接数组操作
numpy.concatenate() 沿指定轴连接相同形状的两个或多个数组
numpy.concatenate((a1, a2, ...), axis)
注意：数组连接操作至少需要两个维度相同的数组，才允许对它们进行垂直或者水平方向上的操作。
在垂直方向堆叠数组
import numpy as np
a = np.array([[1,2],[3,4]])
b = np.array([[5,6],[7,8]])
#数组拼接
print(np.concatenate((a,b)))
#垂直堆叠
c = np.vstack((a,b))
print (c)2、分割数组操作
numpy.split() 沿指定的轴将数组分割为多个子数组，语法格式如下：
numpy.split(ary, indices_or_sections, axis)
参数说明：
- ary：被分割的数组
- indices_or_sections：若是一个整数，代表用该整数平均切分，若是一个数组，则代表沿轴切分的位置（左开右闭）；
- axis：默认为0，表示横向切分；为1时表示纵向切分。
import numpy as np
a = np.arange(6)
print(a)
b = np.split(a,2)#将数组分为二个形状大小相等的子数组
print(b)
b= np.split(a,[3,4]) #将数组在一维数组中标明要位置分割
print(b)
984
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
