python科学计算库（二）Numpy

Dear 丶 2022-12-10 07:11 330阅读 0赞

## 介绍 ##

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。

Numpy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Numpy比直接使用Python要简洁的多。

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。

## 优势 ##

（1）内存地址连续，所有元素数据类型相同  
（2）支持并行化运算  
（3）解除了GIL限制

### 常用属性 ###

<table> 
 <thead> 
  <tr> 
   <th>属性名字</th> 
   <th>属性解释</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>ndarray.shape</td> 
   <td>数组维度的元组</td> 
  </tr> 
  <tr> 
   <td>ndarray.ndim</td> 
   <td>数组维数</td> 
  </tr> 
  <tr> 
   <td>ndarray.size</td> 
   <td>数组中的元素数量</td> 
  </tr> 
  <tr> 
   <td>ndarray.itemsize</td> 
   <td>一个数组元素的长度（字节）</td> 
  </tr> 
  <tr> 
   <td>ndarray.dtype</td> 
   <td>数组元素的类型</td> 
  </tr> 
 </tbody> 
</table>

### 常用方法 ###

1、np.ones(shape, dtype)：生成全1的数组  
2、np.ones\_like(a, dtype)：生成和a相同形状的数组  
3、np.zeros(shape, dtype)：生成全0数组  
4、np.zeros\_like(a, dtype)：生成和a相同形状数组  
5、np.array(object, dtype)：从列表生成数组  
6、np.asarray(a, dtype)：如果是列表，则创建新的ndarray，如果a是ndarray，则不会创建新的空间

### 等差数组 ###

`np.linsapce(start, stop, num, endpoint)`  
`np.arange(start,stop, step, dtype)`

### 等比数组 ###

`np.logspace(start,stop, num)`

### 生成随机数组 ###

标准正态分布：`np.random.randn()`  
正态分布：`np.random.normal(μ,σ)`  
均匀分布：`np.random.rand()`  
`np.random.uniform()`  
`np.random.randint()`

### 形状修改 ###

`ndarray.reshape()`：返回一个新的ndarray  
`ndarray.resize()`：在自身修改  
`ndarray.T`：转置

### 类型修改 ###

`ndarray.astype()`：返回修改类型之后的数组

### 数组去重 ###

`np.unique(ndarray)`

### 数组运算 ###

`ndarray > 60`：返回布尔类型的数组  
`ndarray[ndarray>60]`：返回为True的元素  
`np.all()`：所有都为True返回True  
`np.any()`：有一个为Ture返回True  
`np.where()`：三元运算符  
`np.logical_and()`：逻辑与  
`np.logical_or()`：逻辑或

### 统计函数 ###

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>min(a, axis)</td> 
   <td>返回数组的最小值或沿轴的最小值</td> 
  </tr> 
  <tr> 
   <td>max(a, axis])</td> 
   <td>返回数组的最大值或沿轴的最大值</td> 
  </tr> 
  <tr> 
   <td>median(a, axis)</td> 
   <td>计算沿指定轴的中位数</td> 
  </tr> 
  <tr> 
   <td>mean(a, axis, dtype)</td> 
   <td>沿指定轴计算算术平均值</td> 
  </tr> 
  <tr> 
   <td>std(a, axis, dtype)</td> 
   <td>沿指定轴计算标准偏差</td> 
  </tr> 
  <tr> 
   <td>var(a, axis, dtype)</td> 
   <td>沿指定轴计算标方差</td> 
  </tr> 
  <tr> 
   <td>np.argmax(axis=)</td> 
   <td>最大元素对应的下标</td> 
  </tr> 
  <tr> 
   <td>np.argmin(axis=)</td> 
   <td>最小元素对应的下标</td> 
  </tr> 
 </tbody> 
</table>

## 广播机制 ##

数组在进行矢量化运算时，要求数组的形状是相等的。当形状不相等的数组执行算术运算的时候，就会出现广播机制，该机制会对数组进行扩展，使数组的shape属性值一样，这样，就可以进行矢量化运算了。

广播主要发生在两种情况，一种是两个数组的维数不相等，但是它们的后缘维度的轴长相符，另外一种是有一方的长度为1。

eg:

arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
    arr2 = np.array([[1], [3]])
    print(arr1+arr2)
    
    # 结果
    # array([[2, 3, 4, 3, 2, 5],
    # [8, 9, 4, 5, 6, 4]])

## 矩阵运算 ##

(M行, N列)\*(N行, L列) = (M行, L列)

`np.matmul()`：矩阵乘  
`np.dot`：矢量运算是相同，支持矢量和标量