numpy库简单使用

冷不防 2023-08-17 17:45 204阅读 0赞

# numpy简介 #

NumPy（Numerical Python）是python语言的一个扩展程序库，支持大量维度数组与矩阵运算，此外，也针对数据运算提供大量的数学函数库。

NumPy是高性能科学计算和数据分析的基础

NumPy的主要功能：

*  ndarray，一个多维数组结构，高效且节省空间
 *  无需循环对整组数据进行快速运算的数学函数
 *  \*读写磁盘数据的工具以及用于操作内存映射文件的工具
 *  \*线性代数、随机数生成和傅里叶变换功能
 *  \*用于集成C、C++等代码的工具

## Numpy的安装 ##

pip install numpy

# ndarray-多维数组创建 #

ndarry是多维数组结构，与列表区别：

*  数组对象内的元素类型必须相同
 *  数组大小不可修改

## np.array()创建 ##

import numpy as np
    np.array()
    
    # 创建一维数组
    np.array([1,2,3,4,5])
    # array([1, 2, 3, 4, 5])
    
    # 创建二维数组
    np.array([[1,2,3],[4,5,6]])
    # array([[1, 2, 3],
           [4, 5, 6]])

注意：

*  numpy默认ndarray的所有元素的类型是相同的
 *  如果传进列表中包含不同的类型，会统一为一个类型，优先级：str>float>int

np.array([[1,2.2,3],[4,5,6]])  # 整数都会变成浮点数
    # array([[1. , 2.2, 3. ],
           [4. , 5. , 6. ]])

## np的routines函数创建 ##

*  np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数量数组

np.linspace(1,100,num=20)  # 产生1-100之间数量20个的等差数组

*  np.arange(\[start, \]stop, \[step, \]dtype=None) 等差步长数组

np.arange(0,100,step=2)  # 产生0-100，步长为2的等差数组

*  random.randint(low,high=None,size=None,dtype="1")

np.random.randint(0,100,size=(4,5))  # size表示维度
    # array([[83, 58,  4, 20, 35],
           [13, 33, 30, 14, 79],
           [86, 58, 33, 44, 63],
           [43, 40, 55, 16, 13]])
    
    # 固定随机数组的随机因子，每次产生固定不变数组
    np.random.seed(10)  # 随机因子/时间种子
    np.random.randint(0,100,size=(4,5))

# ndarray属性和方法 #

## 常用属性 ##

*  T：数组的转置（对高维数组而言）

![img][]

*  dtype：数组元素的数据类型

*  size：数组元素的个数
 *  ndim：数组的维数
 *  shape：数组的维度大小（以元组形式）

img_arr = plt.imread('./girl.jpg')  # 打开一张图片，获取图片的矩阵数组
    
    # 获取数组的维度
    img_arr.ndim
    # 3
    
    # 获取数组的外形
    img_arr.shape
    # (676, 1202, 3)
    
    # 获取数组的大小
    img_arr.size
    # 2437656
    
    # 获取数组的数据类型
    img_arr.dtype
    # dtype('uint8')

## 常用方法 ##

numpy.zeros(dim1,dim2)              创建dim1*dim2的零矩阵
    numpy.arange
    numpy.eye(n) /numpy.identity(n)     创建n*n单位矩阵
    numpy.array([…data…], dtype=float64 )
    array.astype(numpy.float64)         更换矩阵的数据形式
    array.astype(float)                 更换矩阵的数据形式
    array * array                       矩阵点乘
    array[a:b]                          切片
    array.copy()                        得到ndarray的副本，而不是视图
    array [a] [b]=array [ a, b ]        两者等价
    name=np.array(['bob','joe','will']) res=name==’bob’ res= array([ True, False, False], dtype=bool)
    data[True,False,…..]                索引，只索取为True的部分，去掉False部分
    通过布尔型索引选取数组中的数据，将总是创建数据的副本。
    data[ [4,3,0,6] ]                   索引，将第4,3,0,6行摘取出来，组成新数组
    data[-1]=data[data.__len__()-1]
    numpy.reshape(a,b)                  将a*b的一维数组排列为a*b的形式
    array([a,b,c,d],[d,e,f,g])          返回一维数组，分别为[a,d],[b,e],[c,f],[d,g]
    array[ [a,b,c,d] ][:,[e,f,g,h] ]=array[ numpy.ix_( [a,b,c,d],[e,f,g,h] ) ]
    array.T                             array的转置
    numpy.random.randn(a,b)             生成a*b的随机数组
    numpy.dot(matrix_1,matrix_2)        矩阵乘法
    array.transpose( (1,0,2,etc.) )     对于高维数组，转置需要一个由轴编号组成的元组

# ndarray索引和切片、变形 #

1、数组和标量之间的运算
        a+1    a*3    1//a    a**0.5
    2、同样大小数组之间的运算
        a+b    a/b    a**b
    3、数组的索引：
        一维数组：a[5]
        多维数组：
            列表式写法：a[2][3]
            新式写法：a[2,3] (推荐)
       数组的切片：
            一维数组：a[5:8]    a[4:]        a[2:10] = 1
            多维数组：a[1:2, 3:4]    a[:,3:5]        a[:,1]
    4、强调：与列表不同，数组切片时并不会自动复制，在切片数组上的修改会影响原数组。    【解决方法：copy()】

## 索引 ##

一维数组的索引和列表一致，多维同理

无法直接索引某一列

arr = np.random.randint(0,100,size=(5,7))
    
    arr[1]  # 获取索引为1的行
    
    arr[[1,2]]  # 获取索引1，2的行
    
    arr[1,2]  # 获取行索引为1，列索引为2的值

## 切片 ##

一维数组的切片和列表相同，多维同理

# 获取二维数组前两行
    arr[0:2]  # 默认切片为行索引
    
    # 获取二维数组前两行和前两列
    arr[0:2,0:2]

数据反转

# 将数组的行反转
    arr[::-1]
    
    # 将数组的列反转
    arr[:,::-1]
    
    # 全部反转
    arr[::-1,::-1]

## 变形 ##

ndarray数组可以使用arr.reshape()函数，注意参数是一个tuple

多维数组和一维数组之间的转换

arr = np.random.randint(0,100,size=(4,6))
    arr.shape
    
    # 二维变一维
    arr_1 = arr.reshape(24)
    arr_2 = arr.reshape((1,24))
    
    # 一维变多维
    arr_3 = arr_1.reshape((3,8))
    arr_4 = arr_1.reshape
    
    arr_5 = arr_1.reshape((4,-1))  # -1表示自动计算
    
    # 多维转多维
    arr_6 = arr.reshape((3,8))

注意：

*  在变形的过程中，数组的维度乘积必须是一致的，如4\*6 可以变形为2\*12，也可以变为8\*3，1\*24

## 级联 ##

np.concatenate()

对多个numpy数组进行横向或者纵向的拼接

1.一维、二维、多维数组的级联，实际操作中级联为二维数组

np.concatenate((arr,arr),axis=0)  # axis代表轴向，0表示咧，1表示行

2.合并照片

# 利用我们刚才打开的照片数组
    arr_3 = np.concatenate((img_arr,img_arr,img_arr),axis=1)  # 水平拼接三个数组
    arr_9 = np.concatenate((arr_3,arr_3,arr_3),axis=0)  # 垂直拼接上面拼接的图片
    plt.imshow(arr_9)  # 最终展示为9宫格的图片

# ndarray布尔类型索引 #

问题：给一个数组，选出数组中所有大于5的数。

*  答案：a\[a>5\]原理：a>5会对a中的每一个元素进行判断，返回一个布尔数组布尔型索引：将同样大小的布尔数组传进索引，会返回一个由所有True对应位置的元素的数组

问题2：给一个数组，选出数组中所有大于5的偶数。

问题3：给一个数组，选出数组中所有大于5的数和偶数。

*  答案：a\[(a>5) & (a%20)\]a\[(a>5) | (a%20)\]

import numpy as np
    a = np.array([1,2,3,4,5,4,7,8,9,10])
    a[a>5&(a%2==0)]  # 注意加括号，不叫括号错误，如下
    # array([ 1,  2,  3,  4,  5,  4,  7,  8,  9, 10])
    
    a[(a>5)&(a%2==0)]
    # array([ 8, 10])

# ndarray聚合函数 #

*  numpy.sum()：求和函数
 *  numpy.max()/min()：最大值/最小值
 *  numpy.mean()：平均值

*  cumsum：求前缀和
 *  std：求标准差
 *  var：求方差
 *  argmin：求最小值索引
 *  argmax：求最大值索引

arr.sum(axis=1)  # 列向求和
    arr.max(axis=1)  # 列向最大值
    arr.mean(axis=1)  # 列向平均值

## 其他聚合函数 ##

*  Function Name NaN-safe Version Description
 *  np.sum np.nansum Compute sum of elements
 *  np.prod np.nanprod Compute product of elements
 *  np.mean np.nanmean Compute mean of elements
 *  np.std np.nanstd Compute standard deviation
 *  np.var np.nanvar Compute variance
 *  np.min np.nanmin Find minimum value
 *  np.max np.nanmax Find maximum value
 *  np.argmin np.nanargmin Find index of minimum value
 *  np.argmax np.nanargmax Find index of maximum value
 *  np.median np.nanmedian Compute median of elements
 *  np.percentile np.nanpercentile Compute rank-based statistics of elements
 *  np.any N/A Evaluate whether any elements are true
 *  np.all N/A Evaluate whether all elements are true
 *  np.power 幂运算

# ndarray排序 #

numpy.sort()和ndarray.sort()都可以排序，稍有区别

numpy.sort(arr,axis=0)  # 返回一个新的排序好的对象，arr并没有改变
    
    arr.sort(axis=0)  # arr直接被改变了

转载于:https://www.cnblogs.com/ryxiong-blog/p/11342388.html

[img]: /images/20230808/658bf2e5985e48d2ad04da73af2297cb.png