3 numpy模块

Numpy

    什么是Numpy：Numeric Python

        Numpy模块是Python的一种开源的数值计算扩展。

            1 一个强大的N维数组对象Array

            2 比较成熟的（广播）函数库

            3 用于整合（C/C++）和Fortran代码的工具包

            4 实用的线性代数、傅里叶变换和随机数生成函数

            5 numpy和稀疏矩阵运算包scipy配合使用更加强大

    

导入numpy库，并查看numpy版本

    注意：numpy模块不是python自带的，需要自己安装的。pip install numpy

 

    这是我要处理的图片 gtx.jpg

    必须要先安装这个模块 Pillow ，才能支持除png之外的格式的图片的读取。因为没有安装Pillow模块，会有如下报错：

ValueError: Only know how to handle extensions: ['png']; with Pillow installed matplotlib can handle

 

Pillow模块安装之后，就能正常读取图片内容了。

 

    读取的数组，元素值范围0-255。

 

看来gtx 是numpy.ndarray类型的，如果需要对图片进行操作，是需要对numpy.ndarray的属性和方法熟悉的。下一步学习numpy.ndarray的属性和方法。

 

 

再定义一个数组gtx2,是由gtx转换而来的，变成如下图所示的样子了。

 

 

一、创建ndarray

    1 使用np.array() 由python list创建

        ·numpy默认ndarray的所有元素类型是相同的

        ·如果传进来的列表中包含不同的类型，则统一为同一类型，优先级 str>float>int

 

 

 

 

    numpy的3个属性：

        1 shape 查看数组是几维的。

    317 表示数组的高，行数

    500 表示数组的宽，列数

    3 表示颜色

 

    任何一张二位的图片转化为3维数组，长宽最后一维表示颜色。

 

 

数组元素统一成同一种数据类型的元素

 

        n1.ndim    得到数组的维度数

 

        2 使用np的routines函数创建数组

            包含以下常见创建方法：

            1）np.ones(shape,dtype=None,order='C')   one表示创建的数组元素全是1

 

 

            2）np.zeros(shape,dtype=float,order='C')  zero表示创建的数组元素全是0

    

 

            3）np.full(shape,fill_value,dtype=None,order='C')  full表示可以自定义元素值fill_value

 

 

 

 

            4）np.eye(N,M=None,k=0,dtype=float)   对角线位置元素值为1，其他位置为0  满秩矩阵    N、M用来定义矩阵的高和宽的。

 

    这就是一个一元十次方程简化成这样，在线性代数中叫做满秩。

 

            5）np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)

 

 

            6）np.arange([start,]stop,[step,]dtype=None)    左闭右开区间

使用该方法创建ndarray时候，左闭右开。

 

            7）np.random.randint(low,high=None,size=None,dtype='l')

 

            8）np.random.randn(d0,d1...dn)    标准正态分布

 

            9）np.random.normal(loc=0.0,scale=1.0,size=None)

                    scale值越大其波动越厉害，scale=0.0 就没有波动了。

 

 

 

            10）np.random.random(size=None)   生成0到1的随机数，左闭右开

随机生成一张图片。png格式的像素值 0-1  jpg格式像素值0-255

 

=====================================

 

三、ndarray的基本操作

 

    1、索引

        一维与列表完全一致 多维时同理

 

 

    2、切片

        一维与列表完全一致，多维时同理

        比如一个3维数组， n1[0:2,1:3,-2:-1]   最终切到要的元素。

 

    3、变形  使用reshape函数，注意参数是一个tuple，如果参数是个负数，直接转换成一维数组ndarray,不论负数值是多少。比价省事的做法就是 -1。

 

 

 

    4、级联 （将两个数组拼接在一起）

        ·1 np.concatenate() 级联需要注意的点：

        ·2 级联的参数是列表：一定要加中括号或小括号

        ·3 维度必须相同

        ·4 形状相符

        ·5 【重点】级联的方向默认是shape这个tuple的第一个值所代表的维度方向

        ·6 可通过axis参数改变级来联的方向  

            axis = 0表示按行  

            axis = 1表示按列

 

            1. np.hstack 与 np.vstack

                水平级联与垂直级联，处理自己，进行维度的变更。

  

 

    5、切分

        与级联类似，三个函数完成切分工作：

            · np.split

            · np.vsplit   按行切

            · np.hsplit   按列切

 

 

 

        split默认情况下是对行进行切分

 

Signature: np.split(ary, indices_or_sections, axis=0)

            ary 是要切割数数据源

            axis = 0 是对行进行切割  axis= 1 是对列进行切分

 

 

    6、副本

        所有赋值运算不会为ndarray的任何元素创建副本，对赋值后的对象的操作也对原来的对象生效。可以使用copy()函数创建副本。

 

 

==============================

 

四：ndarray的聚合操作

    1、求和 np.sum

    2、最大最小值：np.max / np.min

 

 

 

 

    3、其他聚合操作

        np.sum

        np.prod

        np.mean    平均值  axis 的值是维度

        np.std        标准方程

        np.var

        np.min

        np.max

        np.argmin

        np.argmax

        np.median

        np.percentile

 

 

    操作文件：使用pandas打开文件president_heights.csv获取文件中的数据。

 

就把文件内容读取出来了。CSV格式比较经常遇到的，就是从Oracle数据库中导出的文件。

 

 

 

 

五、ndarray的矩阵操作

    

    1.基本矩阵操作

        

        1）算术运算符：

            ·加减乘除

 

 

 

 

        2）矩阵积 np.dot()

 

 

 

    2.广播机制

        【重要】ndarray广播机制的两条规则

            · 规则一:为缺失的维度补 1 （补一行或一列）

            · 规则二：假定缺失元素用已有值填充

 

 

 

 

 

 

    六、ndarray的排序，排序算法，面试经常问。

        

 

        1 快速排序

            np.sort()与ndarray.sort()都可以，但有区别：

                · np.sort()不改变输入

                · ndarray.sort()本地处理，不占用空间，但改变输入

 

 

 

 

        2 部分排序

            np.partition(a,k)

            有时我们不是对全部数据感兴趣，只对最小或最大的一部分感兴趣

                · 当k为正时，我们想要得到最小的k个数

                · 当k为负时，我们想要得到最大的k个数

 

            

 

只返回需要的这部分数，但这部分数是不会排序的。切片，排序即可。