numpy库简单使用

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）

• 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