Python之NumPy

最新推荐文章于 2023-07-19 10:42:02 发布

Limulの小白笔记

最新推荐文章于 2023-07-19 10:42:02 发布

阅读量419

点赞数 1

分类专栏： python 文章标签： python numpy

本文链接：https://blog.csdn.net/xswl5148/article/details/118488363

版权

python 专栏收录该内容

16 篇文章 2 订阅

订阅专栏

一、NumPy是什么？

NumPy是Python的外部库，经常用于数组和矩阵的计算。
NumPy虽然是Python的外部库，但NumPy中主要的处理都是用C语言或者C++来编写的，所以同时具有优良的性能（C、C++）和便利的语法（Python）。

二、安装NumPy

在命令行使用下面的命令即可：

pip install numpy

三、引入NumPy库

引入NumPy库：

import numpy as np

import numpy是引入NumPy库。
然后as np是把这个库的名称简写为np，这样在代码中只需要用np即可调用库中的类和函数。这个不是必需的，但通常都会这么写，在后面代码的编写中会比较方便。

四、NumPy数组

1. 生成NumPy数组（numpy.ndarray）

a. 使用array()函数

使用NumPy库中的array()函数可将列表（list）类型或元组（tuple）类型转为NumPy数组（numpy.ndarray）类型。
使用type()函数可以查看一个对象的类型。

例如：

a = np.array([0, 1, 2, 3])
print(type([0, 1, 2, 3])) # >>><class 'list'>
print(type(a)) # >>><class 'numpy.ndarray'>
print(a) # >>>[0 1 2 3]

b = np.array((4, 5, 6, 7))
print(type((4, 5, 6, 7))) # <class 'tuple'>
print(type(b)) # <class 'numpy.ndarray'>
print(b) # >>>[4 5 6 7]

b. 使用arange()函数

使用NumPy库中的arange()函数可以生成一个固定差值的NumPy数组。
使用arange()有三种情况：
①一个参数：arange(<终点>)
②两个参数：arange(<起点>, <终点>)
③三个参数：arange(<起点>, <终点>, <固定差值>)
这三种情况中，如果没有固定差值参数，那么默认为1；如果没有起点参数，默认为0；数组不包含终点

例如：

a = np.arange(5)
b = np.arange(4, 9)
c = np.arange(3, 8, 2)
print(a) # >>>[0 1 2 3 4]
print(b) # >>>[4 5 6 7 8]
print(c) # >>>[3 5 7]

2. N维NumPy数组

NumPy不仅可以生成像上面例子中的一维数组（排成一排的数组），还能生成多维的数组。

a. 二维数组（矩阵）

在数学上一维数组称为“向量”，而二维数组称为“矩阵”。
例如下面的代码生成了一个3×2的二维数组：

a = np.array([[1, 2],
			  [3, 4],
			  [5, 6]])
print(a)
'''
>>>[[1 2]
    [3 4]
    [5 6]]
'''

b. 多维数组（张量）

同理还能生成三维乃至更多维的数组，通常将三维或三维以上的数组称为“张量”或者“多维数组”。

3. 访问NumPy数组元素

如果数组的下标是自然数，从0开始，从左到右不断累加1增大。
如果下标是负数，表示从右到左的序号。
一维数组的访问方式：<数组名>[<下标>]

例如：

a = np.array([4, 8, 6, 9])
print(a[0]) # >>>4
print(a[3]) # >>>9
print(a[-1]) # >>>9

一维数组a中有4个元素，4、8、6、9的下标分别为0、1、2、3，所以a[0]为4，a[3]为9，下标为-1，表示从右到左第一个元素，所以是9。

如果是二维数组，那么访问元素的方式为：<数组名>[<0维下标>][<1维下标>]，或者是：<数组名>[<0维下标>, <1维下标>]。

例如：

a = np.array([[1, 2],
			  [3, 4],
			  [5, 6]])
print(a[1][0]) # >>>3
print(a[1, 0]) # >>>3

数组a的0维下标为1的部分是数组[3, 4]，然后在数组[3, 4]内的下标就是数组a的1维下标，所以数组a[1][0]表示的是[3, 4]下标为0的数，所以是3。

同理，N维数组元素的访问方式为：<数组名>[<0维下标>][<1维下标>]…[<N-1维下标>]或者：<数组名>[<0维下标>, <1维下标>, … ,<N-1维下标>]

4. NumPy数组切片

a. 一维数组切片

一维数组切片形如a[i: j: k]。
i 为开始下标，j 为结束下标，k 为步长。
a[i: j: k]表示从a中取下标为 i 的元素，以每隔步长 k 的距离取元素，一直到下标为 j 的元素（不包括下标为 j 的元素）。
没有 i 时，i 默认为0；没有 j 时，j 默认为数组最后一个元素下标+1，即数组长度；没有 k 时，k 旁边的 : 也需要缺省掉，k 默认为1。
例如：

a = np.array([0, 1, 2, 3, 4, 5, 6]) #长度为7的数组，下标从0到6

#没有步长k，步长k默认为1
print(a[2: 5]) # >>>[2 3 4]
print(a[: 4]) # >>>[0 1 2 3]
print(a[0: 4]) # >>>[0 1 2 3]
print(a[3: ]) # >>>[3 4 5 6]
print(a[3: 7]) # >>>[3 4 5 6]
print(a[: ]) # >>>[0 1 2 3 4 5 6]

#有步长k
print(a[1: 6: 2]) # >>>[1 3 5]
print(a[1: 5: 2]) # >>>[1 3]
print(a[: 7: 3]) # >>>[0 3 6]
print(a[0:: 3]) # >>>[0 3 6]
print(a[:: 3]) # >>>[0 3 6]

b. 二维数组切片及多维数组切片

二维数组的切片和一维数组类似，结构形如a[i: j: k, l: m: n]。
i 为0维开始下标，j 为0维结束下标，k 为0维步长；l 为1维开始下标，m 为1维结束下标，n 为1维步长。
a[i: j: k]表示从a的0维中取下标为 i 的元素，以每隔步长 k 的距离取元素，一直到下标为 j 的元素（不包括下标为 j 的元素）；然后从a的1维中取下标为 l 的元素，以每隔步长 n 的距离取元素，一直到下标为 m 的元素（不包括下标为 m 的元素）。
没有 i 或 l 时，i 或 l 默认为0；没有 j 或 m 时，j 或 m 默认为数组最后一个元素下标+1，即数组长度；没有 k 或 n 时，k 或 n 旁边的 : 也需要缺省掉，k 或 n 默认为1。

例如：

a = np.array([[0, 1, 2, 3, 4 ],
			  [5, 6, 7, 8, 9 ],
			  [10,11,12,13,14],
			  [15,16,17,18,19],
			  [20,21,22,23,24]])
print(a[0, 1:4]) # >>>[1 2 3]
print(a[1: 4, 0]) # >>>[ 5 10 15]
print(a[::2, ::2]) 
'''
>>>[[ 0  2  4]
	[10 12 14]
	[20 22 24]]
'''
print(a[:, 1]) # >>>[ 1  6 11 16 21]

上面的代码不够直观，结合下图更容易理解：
在这里插入图片描述

从二维数组切片特征可推知多维数组切片特征。

5. NumPy数组的属性

a. 维度（ndim）

NumPy数组的属性ndim可以反映数组的维度。

例如：

a = np.array([0, 1])
b = np.array([[0, 1], [2, 3], [4, 5]])
c = np.array([[[0, 1, 2], [3, 4, 5]], [[6, 7, 8], [9, 10, 11]]])
print(a.ndim) # >>>1
print(b.ndim) # >>>2
print(c.ndim) # >>>3

b. 形状（shape）

NumPy数组的属性shape可以反映数组的形状。
这个shape属性是一个元组（tuple）类型的值，所以一维数组的shape会用小括号里一个数字加一个逗号的形式表示。

例如：

a = np.array([0, 1])
b = np.array([[0, 1], [2, 3], [4, 5]])
c = np.array([[[0, 1, 2], [3, 4, 5]], [[6, 7, 8], [9, 10, 11]]])
print(a.shape) # >>>(2,)
print(b.shape) # >>>(3, 2)
print(c.shape) # >>>(2, 2, 3)

在上面这个例子中，数组b的shape为(3, 2)，表示b的0维（维度的索引从0开始）是3，1维是2。可以看到b最外的一个括号内用两个逗号隔开了三个小数组，所以b的第0维是3，然后每个小数组内分别有两个数，所以b的第1维是2。

c. 元素的数据类型（dtype）

NumPy数组的属性dtype可以反映数组中元素的类型。

例如：

a = np.array([0, 1])
b = np.array([0.0, 1.0])
c = np.array([2, 3.0])
print(a.dtype) # >>>int32
print(b.dtype) # >>>float64
print(c.dtype) # >>>float64
print(type(c[0])) # >>><class 'numpy.float64'>
print(type(c[1])) # >>><class 'numpy.float64'>
print(c[0]) # >>>2.0

在上述例子中，int32表示用32位二进制数表示的整数（int）类型，float64表示用64位二进制数表示的浮点数（float）类型。

NumPy数组的元素类型要保持一致。

像上面的数组c，向array()函数传入的列表中有整数2和浮点数3.0，但生成的NumPy数组中整数2变成了浮点数2.0。

d. 元素总数（size）

NumPy数组的属性size可以反映数组中所有元素个数。

例如：

a = np.array([0, 1])
b = np.array([[0, 1], [2, 3], [4, 5]])
c = np.array([[[0, 1, 2], [3, 4, 5]], [[6, 7, 8], [9, 10, 11]]])
print(a.size) # >>>2
print(b.size) # >>>6
print(c.size) # >>>12

e. 元素所占字节数（itemsize）

NumPy数组的属性itemsize可以反映数组中一个元素所占的字节数。

例如：

a = np.array([0, 1])
print(a.dtype) # >>>int32
print(a.itemsize) # >>>4

b = np.array([0.0, 1.0])
print(b.dtype) # >>>float64
print(b.itemsize) # >>>8

上述例子中，因为数组a中的元素类型为int32，32位是 32 / 8 = 4 个字节，所以a的itemsize是4；而数组b中的元素类型为float64，64位是 64 / 8 = 8 个字节，所以b的itemsize是8。

f. NumPy数组所占字节数（nbytes)

NumPy数组的属性nbytes可以反映这个数组所占的字节数。但这个属性的值没有算上数组的开销，而是只是所有元素所占的总字节数，即 ntytes = itemsize * size 。

例如：

a = np.array([0, 1])
b = np.array([[0, 1], [2, 3], [4, 5]])
c = np.array([0.0, 1.0])
print(a.nbytes) # >>>8
print(b.nbytes) # >>>24
print(c.nbytes) # >>>16

上面这个例子中，数组a中元素为inf32，占4个字节，一共有两个元素，所以总字节数为 4 * 2 = 8 ；数组b的总字节数为 4 * 6 = 24 ；而数组c中元素为float64，占8个字节，一共有两个元素，所以总字节数为 8 * 2 = 16 。

五、使用NumPy数组

1. 基本运算符

NumPy数组的加减乘除分别使用符号：+、-、*、/。
两个数组的结构相同才能进行加减乘除运算，对应元素分别进行运算。
数字和NumPy数组运算会使数字分别与每一个元素进行计算。

例如：

a = np.array([2, 5, 8])
b = np.array([1, 2, 3])

print(a + b) # >>>[ 3  7 11]
print(a - b) # >>>[1 3 5]
print(a * b) # >>>[ 2 10 24]
print(a / b) # >>>[2.         2.5        2.66666667]

print(a / 2) # >>>[1.  2.5 4. ]

可以注意到，即使两NumPy数组的元素类型都是整型，使用除法会使结果变成浮点型。

取整除法使用//符号进行运算。

例如：

a = np.array([2, 5, 8])
b = np.array([1, 2, 3])
print(a // b) # >>>[2 2 2]

次方使用**符号计算。

例如：

a = np.array([2, 5, 8])
b = np.array([1, 2, 3])
print(a ** b) # >>>[  2  25 512]

2. 特殊运算符

除了加减乘除，NumPy还提供了一些很方便的运算符。

<数组名>.sum()：可以计算数组中所有元素的累加值。
<数组名>.max()：可以得到数组中最大的值。
<数组名>.min()：可以得到数组中最小的值。
<数组名>.mean()：可以计算数组中所有元素的平均值。
<数组名>.argmax()：可以得到数组中最大值的下标，如果有多个符合条件，则会得到下标最小的那个。
<数组名>.argmin()：可以得到数组中最小值的下标，如果有多个符合条件，则会得到下标最小的那个。

例如：

a = np.array([5, 2, 6, 8, 4, 2])
print(a.sum()) # >>>27
print(a.max()) # >>>8
print(a.min()) # >>>2
print(a.mean()) # >>>4.5
print(a.argmax()) # >>>3
print(a.argmin()) # >>>1

3. 点积

使用np.dot(a, b)可以计算数组a和数组b的点积。
使用点积的两个数组必须满足：前一个数组的最大维度的大小要等于后一个数组的0维的大小。
两个一维数组使用点积，相当于两个数组对应元素相乘后的累加值。
两个二维数组使用点积，相当于矩阵乘法。
两个一维数组使用点积，交换两数组的位置，值仍然不变；但二维及二维以上数组使用点积，如果交换了两个数组的位置，值不一定相等。

例如：

a = np.array([1, 4, 3])
b = np.array([3, 2, 1])
print(np.dot(a, b)) # >>>14
print(np.dot(b, a)) # >>>14
print(np.sum(a * b)) # >>>14

c = np.array([[ 1,  2,  3],
			  [ 4,  5,  6],
			  [ 7,  8,  9],
			  [10, 11, 12]])
d = np.array([[1, 2],
			  [3, 4],
			  [5, 6]])
print(c.shape) # >>>(4, 3)
print(d.shape) # >>>(3, 2)
print(np.dot(c, d))
'''
[[ 22  28]
 [ 49  64]
 [ 76 100]
 [103 136]]
'''
#print(np.dot(d, c)) #ValueError: shapes (3,2) and (4,3) not aligned: 2 (dim 1) != 4 (dim 0)

在上面的例子中，c的形状是(4, 3)，d的形状是(3, 2)。c在前，d在后。c的最高维1维大小为3，d的0维大小也为3，所以c和d才能进行点积计算。但如果倒过来，d的最高维1维是2，c的0维是4，两者不相等，所以进行点积运算会报错。

4. 索引进阶

一次获取多个下标对应的元素方法：将下标列表放入[]。

例如：

a = np.arange(8) # a = [0 1 2 3 4 5 6 7]
print(a[[1, 4, -1]]) # >>>[1 4 7]

从数组中找到符合条件的元素的方法：将条件放入[]。
使用np.where()也可以达到筛选元素的效果，但返回的是符合条件的元素构成数组的元组，需要直接得到符合条件的元素数组，要多加一个[0]。

例如：

a = np.arange(8) # a = [0 1 2 3 4 5 6 7]
print(a[a < 3]) # >>>[0 1 2]
print(np.where(a < 3)) # >>>(array([0, 1, 2], dtype=int64),)
print(np.where(a < 3)[0]) # >>>[0 1 2]

参考：http://www.numpy.org.cn/article/basics/an_introduction_to_scientific_python_numpy.html#%E6%95%B0%E7%BB%84%E5%9F%BA%E7%A1%80

如有错误，欢迎指出！如有问题，欢迎讨论！

Limulの小白笔记

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
Python之NumPy

Python之NumPy一、NumPy是什么？二、安装NumPy三、引入NumPy库四、NumPy数组1. 生成NumPy数组（numpy.ndarray）a. 使用array()函数b. 使用arange()函数2. N维NumPy数组二维数组（矩阵）多维数组（张量）3. 访问NumPy数组元素4. NumPy数组切片5. NumPy数组的属性a. 维度（ndim）b. 形状（shape）c. 元素的数据类型（dtype）d. 元素总数（size）e. 元素所占字节数（itemsize）f. NumPy数
复制链接

扫一扫