Numpy介绍

Numpy介绍

使用之前需要导入Numpy

import numpy as np

NumPy 的主要对象是同构多维数组。它是一个元素表（通常是数字），所有类型都相同，由非负整数元组索引。在 NumPy 中，维度称为轴。 例如，3D 空间中一个点的坐标[1, 2, 1]只有一个轴。该轴有 3 个元素，因此我们说它的长度为 3。在下图中的示例中，数组有 2 个轴。第一个轴的长度为 2，第二个轴的长度为 3。

NumPy 的数组类称为ndarray。它也被称为别名 array。请注意，numpy.array这与标准 Python 库类不同array.array，后者仅处理一维数组并提供较少的功能。ndarray对象更重要的属性是：

• ndarray.ndim 数组的轴数（维度）。
• ndarray.shape 数组的维度。这是一个整数元组，象征着每个维度中数组的大小。对于具有n行和m列的矩阵，shape将为(n,m)。因此，元组shape的长度是轴的数量，ndim。
• 数组大小数组的元素总数。这等于shape元素的乘积。
• ndarray.dtype 描述数组中元素类型的对象。可以使用标准 Python 类型创建或指定 dtype。此外，NumPy 提供了自己的类型。numpy.int32、numpy.int16 和 numpy.float64 是一些示例。
• ndarray.itemsize 数组每个元素的大小（以字节为单位）。例如，一个类型元素的数组float64有itemsize8 个（=64/8），而一个类型的元素complex32有itemsize4 个（=32/8）。它相当于ndarray.dtype.itemsize。
• ndarray.data 包含数组实际元素的缓冲区。通常，我们不需要使用此属性，因为我们将使用索引工具访问数组中的元素。

NumPy 数组创建

array创建

可以使用array函数从常规 Python 列表或元组创建数组

a = np.array([1,3,11])
a

array([ 1,  3, 11])

a.shape

(3,)

a.dtype

dtype('int32')

a = np.array([[1.1,2,3],[2,4,8]])
a

array([[1.1, 2. , 3. ],
       [2. , 4. , 8. ]])

a.shape

(2, 3)

a.dtype

dtype('float64')

zeros,ones创建

a = np.zeros((3,8))
a

array([[0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0.]])

a = np.ones((2,5))
a

array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

# 指定类型
a = np.ones((4,2),dtype=np.float64)
a.dtype

dtype('float64')

arange创建

np.arange(1,3)

array([1, 2])

np.arange(1,11,3)

array([ 1,  4,  7, 10])

np.array([np.arange(1,5,0.5),np.arange(1,9)])

array([[1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5],
       [1. , 2. , 3. , 4. , 5. , 6. , 7. , 8. ]])

随机数创建

#生成一个 0 到 100 之间的随机整数：
np.random.randint(100)

67

# random 模块的 rand() 方法返回 0 到 1 之间的随机浮点数。
np.random.rand()

0.8036665376544574

np.random.rand(6,3)

array([[0.14565413, 0.67196986, 0.01603824],
       [0.05228213, 0.72782701, 0.47755347],
       [0.62613132, 0.08992243, 0.23964293],
       [0.23977211, 0.46031127, 0.22726328],
       [0.83314693, 0.79064596, 0.24260102],
       [0.73696135, 0.86420688, 0.86527412]])

#randint() 方法接受 size 参数，您可以在其中指定数组的形状。
np.random.randint(30,50,size = (6))

array([48, 47, 32, 33, 37, 48])

np.random.randint(44,51,size = (3,6))

array([[44, 47, 47, 46, 46, 48],
       [45, 44, 48, 49, 45, 50],
       [50, 46, 49, 49, 46, 50]])

#从数组生成随机数
np.random.choice([1,5,7])

7

np.random.choice([1,5,7,11,32],size = (2,3))

array([[ 5, 32,  1],
       [ 1, 11, 11]])

np.random.normal()的意思是一个正态分布，normal这里是正态的意思。
参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布，
参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。
参数size(int 或者整数元组)：输出的值赋在shape里，默认为None。

data = np.random.normal(loc=0,scale=1e-2,size=(1,13)) 
data

array([[-0.01127862, -0.00143676, -0.01302496, -0.01239942, -0.0120068 ,
         0.01065305,  0.004626  ,  0.00193842, -0.01895159,  0.01232755,
        -0.00061731, -0.00216356, -0.00426709]])

数组变形reshape

a = np.array([np.arange(1,5,0.5),np.arange(1,9)])
a

array([[1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5],
       [1. , 2. , 3. , 4. , 5. , 6. , 7. , 8. ]])

a.reshape(4,4)

array([[1. , 1.5, 2. , 2.5],
       [3. , 3.5, 4. , 4.5],
       [1. , 2. , 3. , 4. ],
       [5. , 6. , 7. , 8. ]])

a.reshape(2,2,4)

array([[[1. , 1.5, 2. , 2.5],
        [3. , 3.5, 4. , 4.5]],

       [[1. , 2. , 3. , 4. ],
        [5. , 6. , 7. , 8. ]]])

运算

a = np.array([2,3,11])
a

array([ 2,  3, 11])

b = np.arange(1,4)
b

array([1, 2, 3])

a - b

array([1, 1, 8])

# 几次方
a ** 3

array([   8,   27, 1331], dtype=int32)

# sin
np.sin(a)

array([ 0.90929743,  0.14112001, -0.99999021])

# 大小比较
a <3

array([ True, False, False])

#  数组中按元素进行运算
a * b

array([ 2,  6, 33])

# 矩阵乘积
a = np.array([[2,3],[1,5]])
b = np.array([[1,2],[3,3]])
a

array([[2, 3],
       [1, 5]])

b

array([[1, 2],
       [3, 3]])

a @ b

array([[11, 13],
       [16, 17]])

a.dot(b)

array([[11, 13],
       [16, 17]])

#+=操作
a

array([[2, 3],
       [1, 5]])

a+=1
a

array([[4, 5],
       [3, 7]])

# 统计
a.max()

7

a.min()

3

a.sum()

19

np.sort(a)

array([[4, 5],
       [3, 7]])

np.exp(a)

array([[  54.59815003,  148.4131591 ],
       [  20.08553692, 1096.63315843]])

np.add(a,b)

array([[ 5,  7],
       [ 6, 10]])

NumPy 索引、切片和迭代

a = np.array([[1,2,3],[4,6,9]])
a

array([[1, 2, 3],
       [4, 6, 9]])

a[1]

array([4, 6, 9])

a[1][2]

9

a[1][1:3]

array([6, 9])

a[::-1]## reversed a

array([[4, 6, 9],
       [1, 2, 3]])

数组类型和类型之间的转换

Numpy 类型	C型	描述
numpy.bool_	bool	存储为字节的布尔值（真或假）
numpy.byte	signed char	平台定义
numpy.ubyte	unsigned char	平台定义
numpy.short	short	平台定义
numpy.ushort	unsigned short	平台定义
numpy.intc	int	平台定义
numpy.uintc	unsigned int	平台定义
numpy.int_	long	平台定义
numpy.uint	unsigned long	平台定义
numpy.longlong	long long	平台定义
numpy.ulonglong	unsigned long long	平台定义
numpy.half	numpy.float16	半精度浮点数：符号位，5 位指数，10 位尾数
numpy.single	float	平台定义的单精度浮点数：通常为符号位、8 位指数、23 位尾数
numpy.double	double	平台定义的双精度浮点数：通常为符号位、11 位指数、52 位尾数。
numpy.longdouble	long double	平台定义的扩展精度浮点数
numpy.csingle	float complex	复数，由两个单精度浮点数表示（实部和虚部）
numpy.cdouble	double complex	复数，由两个双精度浮点数（实部和虚部）表示。
numpy.clongdouble	long double complex	复数，由两个扩展精度浮点数（实部和虚部）表示。