Numpy库学习笔记

Numpy库

对Numpy库实在太不了解啦，利用这几天假期抓紧学习下Numpy相关知识

学习Numpy的原因是，这可以显著提高运算速度

a = np.random.normal(0, 2, 10000000)

begin = time.time()
np.sum(a)
end = time.time()
print(end-begin)
a = list(a)
begin = time.time()
sum(a)
end = time.time()
print(end-begin)

0.017951250076293945
0.6771886348724365

numpy库中最核心的数据结构就是n维数组（nd-array），每个n维度数组只能有一种元素（dtype属性中记录了）

numpy的数组的shape由一个多维元组来指定，一般不支持修改

一、数组创建

属性	作用
a.shape	返回一个元组，表明各个维度的元素
a.dtype	返回数据类型
a.size	返回元素的分数

函数	作用
np.array(dtype=)	转化list为nparray

使用：
np.array([1,2,3],dtype= int64)
a = np.array([[1],[2],[3]],dtype=“float64”)

函数	作用
np.zeros(tuple)	全为0的数组
np.ones(tuple)	全为1的数组
np.arange(tuple)	类似于range方法
a.reshape(tuple)	重构a，变为一个数组

二、基本操作

可以直接把算数操作作用在数组上

例如

a = np.arange(4).reshape((2,2,1,1))
print(a)
print(np.sin(a))
print(a**2)
print(a+4)

矩阵相乘用的方法是

函数	作用
np.dot(A,B)	A, B相乘

通用函数

函数	作用
np.sin(a)	对a的每个元素都作用一下sin函数
np.cos(a)	对a的每个元素都作用一下cos函数
np.sqrt(a)	对a的每个元素都作用一下sqrt函数
np.log(a)	对a的每个元素都作用一下log函数

聚合函数

函数	作用
a.max()	对a的每个元素都作用一下sin函数
a. min()	对a的每个元素都作用一下cos函数
a.mean()	对a的每个元素都作用一下sqrt函数
a.std()	对a的每个元素都作用一下log函数

也可通过np.max()、np.sum()、np.std()来调用

a = np.arange(4).reshape((2,2,1,1))
print(np.max(a))
print(a.max())
print(np.min(a))
print(a.min())
print(np.sum(a))
print(a.sum())

三、索引方法

a = np.arange(100).reshape((10, 10))
print(a[:,2:5]) #选中所有行和第2，3，4，5列
print(a[[1,3,9],:][:, [2,7]]) #选中第1，3，9行和第2，7列
print(a[[1,3,9],[2,7]]) #出错！

四、布尔数组

希望在一个数组中找到所有的偶数
A [ A % 2 == 0]
具体的说：A 作为一个numpy数组，中间填上一个bool表达式，之后即可得到一个一维数组。原理是 A%2 == 0实际上得到了一个布尔数组，布尔数组作用在A上

利用这个可以选出符合条件的元素

np.where(condition, x, y)
condition就是一个布尔数组

import numpy as np
a = np.arange(12).reshape((3,4))
a = np.where(a>6, 1, 0)
print(a)

[[0 0 0 0]
 [0 0 0 1]
 [1 1 1 1]]

a = np.random.normal(0, 2, 10000000)

begin = time.time()
aa = a[a % 3 == 1]
end = time.time()
print(end-begin)
a = list(a)
begin = time.time()
aaa = np.array([i for i in a if i%3 == 1])
end = time.time()
print(end-begin)

0.29662632942199707
8.396028757095337

可见同样的算法，实现方式不同，速度上差太远了

五、数组操作

传统的数组操作是：
转成list，之后append
现在我们可以使用：
np.hstack() //horizontal append

data, target = sk.load_breast_cancer().data,  sk.load_breast_cancer().target
target = target.reshape((len(target), 1))
print(np.hstack((data,target)))

相应的，还有np.vstack() // vertical append

六、视图

注意，这里的数组也是一个对象。注意需要深拷贝。