Python必备基础：这些NumPy的神操作你都掌握了吗？

导读：NumPy是Python的基础，更是数据科学的通用语言。

本文简单介绍NumPy模块的两个基本对象ndarray、ufunc，介绍ndarray对象的几种生成方法及如何存取其元素、如何操作矩阵或多维数组、如何进行数据合并与展平等。最后说明通用函数及广播机制。

作者：吴茂贵，王冬，李涛，杨本法

如需转载请联系大数据（ID：hzdashuju）

 

 

NumPy为何如此重要？实际上Python本身含有列表（list）和数组（array），但对于大数据来说，这些结构有很多不足。因列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，都需要有3个指针和3个整数对象。

对于数值运算来说，这种结构显然比较浪费内存和CPU计算时间。至于array对象，它直接保存数值，和C语言的一维数组比较类似。但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算。

NumPy（Numerical Python 的简称）的诞生弥补了这些不足，它提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。

NumPy的主要特点：

• ndarray，快速，节省空间的多维数组，提供数组化的算术运算和高级的广播功能。
• 使用标准数学函数对整个数组的数据进行快速运算，而不需要编写循环。
• 读取/写入磁盘上的阵列数据和操作存储器映像文件的工具。
• 线性代数，随机数生成，以及傅里叶变换的能力。
• 集成C、C++、Fortran代码的工具。

在使用 NumPy 之前，需要先导入该模块：

import numpy as np

01 生成ndarray的几种方式

NumPy封装了一个新的数据类型ndarray，一个多维数组对象，该对象封装了许多常用的数学运算函数，方便我们进行数据处理以及数据分析，那么如何生成ndarray呢？这里我们介绍生成ndarray的几种方式，如从已有数据中创建；利用random创建；创建特殊多维数组；使用arange函数等。

1. 从已有数据中创建

直接对python的基础数据类型（如列表、元组等）进行转换来生成ndarray。

（1）将列表转换成ndarray

import numpy as np
list1 = [3.14,2.17,0,1,2]
nd1 = np.array(list1)
print(nd1)
print(type(nd1))

打印结果：

[ 3.14 2.17 0. 1. 2. ]
<class 'numpy.ndarray'>

（2）嵌套列表可以转换成多维ndarray

import numpy as np
list2 = [[3.14,2.17,0,1,2],[1,2,3,4,5]]
nd2 = np.array(list2)
print(nd2)
print(type(nd2))

打印结果：

[[ 3.14 2.17 0. 1. 2. ]
 [ 1. 2. 3. 4. 5. ]]
<class 'numpy.ndarray'>

如果把（1）和（2）中的列表换成元组也同样适合。

2. 利用random模块生成ndarray

在深度学习中，我们经常需要对一些变量进行初始化，适当的初始化能提高模型的性能。通常我们用随机数生成模块random来生成，当然random模块又分为多种函数：

• random生成0到1之间的随机数；
• uniform生成均匀分布随机数；
• randn生成标准正态的随机数；
• normal生成正态分布；
• shuffle随机打乱