Numpy

最新推荐文章于 2024-10-02 10:53:34 发布

yun_gao_

最新推荐文章于 2024-10-02 10:53:34 发布

阅读量425

点赞数 1

分类专栏： Python 文章标签： python 开发语言 python库 numpy

本文链接：https://blog.csdn.net/yun_gao_/article/details/122869053

版权

Python 专栏收录该内容

10 篇文章 2 订阅

订阅专栏

Numpy

一、ndarray对象
二、数组的创建
三、数组的属性
四、数组的索引和切片
五、相关函数
六、数组间的运算
七、向量与矩阵
八、加载和存储文件数组

一、ndarray对象

$\quad$ Numpy(Numerical Python)是一个开源的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。Numpy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。
$\quad$ ndarray是一个n维数组类型（n-dimensional），描述了相同类型的元素的集合。python中可以用list，tuple等数据结构表示数组，元素类型可不同，嵌套可以实现多维数组。但是ndarray相比于list等类型运算效率更高。
ndarray与list效率对比
$\quad$ 在存储数据时，ndarray数据与数据的地址都是连续的，这样使得批量操作数组元素时速度更快，而list存储的数据地址不是连续的，需要通过寻址方式找到，这与ndarray的元素类型相同而list的元素类型可不同的区别相符。
$\quad$ 此外，numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算；Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯Python代码。

二、数组的创建

在这里插入图片描述

1.array() ，asarray() 利用list，tuple对象或已有的ndarray数组创建
在这里插入图片描述

注意array与asarray的区别
np.array(ndarray对象)为深拷贝
np.asarray(ndarray对象)为浅拷贝

注意
在这里插入图片描述

2.特殊数组的创建
np.zeros(shape,dtype)，np.zeros_like(object, dtype)全0数组，
np.ones(shape,dtype)，np.ones_like(object, dtype)全1数组。
np.eye(m,n,k=0)对角线k为1的m×n的单位矩阵，省略n时为m阶方阵
在这里插入图片描述

3.生成固定范围的数组
np.arange(start,end,step,dtype)创建等差数列
参数start，end为始，终（不包括），step为步长

np.linspace(start,end,num,endpoint)创建等差数列
参数num为等间隔数据的个数（默认50），endpoint为数组是否包含end值（默认True）
np.logspace(start,stop,num)创建等比数列

在这里插入图片描述
4.生成随机数组np.random模块
1）正态分布
np.random.randn(d1,d2,d3,...,dn)生成shape为（d1，…，dn）的随机数组。
np.random.normal(loc=0.0,scale=1.0,size=None)生成shape为size的随机数组
loc为概率分布对应的均值，scale为标准差，size为int（相当于tuple (int,)得到一维数组，注意不是（1，int）二维）或tuple of ints，默认为None，即只返回一个（相当于int=1）。
np.random.standard_normal(size=None)生成指定size的服从标准正态分布的随机数组

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np
y=[np.random.normal(80,5) for i in range(1000000)]
plt.figure()
plt.hist(y,bins=1000)
plt.show()

在这里插入图片描述
2）均匀分布
np.random.rand(d1,...,dn)生成shape为(d1,…,dn)的数组
np.random.uniform(low=0.0,high=1.0,size=None)生成概率分布服从U[low,high)均匀分布的数组，shape为size
np.random.randint(low,high=None,size=None,dtype='I')生成服从均匀分布的整数数组，当high不为None时为U[low,high)，否则为U[0,low），注意元素是整数。
在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np
y=[np.random.uniform(60,100) for i in range(1000000)]
plt.figure()
plt.hist(y,bins=1000)
plt.show()

在这里插入图片描述

三、数组的属性

shape，数组维度的元组 eg （1，）一维，（2,3）二维，（1，2，3）三维
dtype数组元素的类型
ndim数组的维度
size数组的元素数量（和上文函数的参数size不是一个东西）
itemsize一个数组元素的长度（字节）
在这里插入图片描述

四、数组的索引和切片

$\quad$ 高维和一维类似，n维数组可以使用1~n个索引来获取子数组，每个维度也都可以使用切片。以一维数组进行说明
1. 索引值从0开始
在这里插入图片描述

2. 有和列表类似的切片，切割一维数组的元素
$\quad$ 使用切割运算符，从原始数组中切割出所需的子数组 array[start: end:step] ，其中冒号分隔的是范围和增量，获取到从索引start开始到end（不包括end）间的元素。
如果step>0的省略start则从0开始，省略end，则到最后一个元素；
在这里插入图片描述

$\quad$ 如果step<0的，省略start从-1开始，省略end到0；如果没有step，则增量为1。如果start到end的方向与step矛盾，则返回[ ]
在这里插入图片描述

3. 使用复杂索引获取数组元素
①不仅可以用单个整数值索引来获取元素，还可以给定一个索引列表，获取元素构成新的数组
②使用布尔值屏蔽索引
建立与数组相同形状的布尔数组作为索引，布尔数组元素是True则选择对应的元素，False就不选
在这里插入图片描述

五、相关函数

1.形状修改
在这里插入图片描述

2.类型修改
在这里插入图片描述
3.取整

4.统计相关函数

5.其他
去重np.unique()
在这里插入图片描述
深复制np.copy()

连接数组np.concatenate().

三角函数np.sin(),np.cos(),np.tan().

六、数组间的运算

$\quad$ 涉及的函数大多数除了适用于数组，也适用于列表，元组，数值类型等，但是主要应用于数组。
1.关系运算
在这里插入图片描述

2.通用判断函数
np.all(),np.any()

在这里插入图片描述
3.三元运算符np.where

4.逻辑运算
在这里插入图片描述
5.算术运算

首先明确数组进行算术运算的规则
1. shape相同（同型），对应元素进行运算
2. shape不同，numpy数组广播可以让较小数组扩充到与较大数组相同shape，对应元素进行运算。

广播规则如下：
1）要求数组是兼容的
兼容的情况：
①数组是相同形状的（同型）；
②shape不一样但是ndim一样（同维度数），每一个维度尺寸要么相同要么为1；
③shape不一样且ndim不一样，广播时，较少维度的数组会改变形状，追加维度(往外加一维，即shape往前加元素）且尺寸为1，以便两个数组维度相同，增加维度后的数组，若满足情况②则兼容；

2）若数组不同维（ndim）不一样，则给低维的数组最加维度，尺寸为1.例如：数组a的形状（4,3），二维；数组b的形状（3，）一维，则将一维数组b扩成二维数组（1,3），注意是往前加一维，而不是往后；

3）当数组某一维尺寸为1时，其他数组该维大于1时，则尺寸为1的数组会沿着该维复制扩充数组尺寸；

4）数组在每一维的尺寸是两个数组中的较大值。例如：a是（4,3），b是（1,3）则广播后的数组b的尺寸（当然这是个中间变化，b指向的对象没有变）是（4,3）。
在这里插入图片描述
6.遍历