前言

Numpy是一個(gè)開(kāi)源的Python科學(xué)計(jì)算庫(kù)，它是python科學(xué)計(jì)算庫(kù)的基礎(chǔ)庫(kù)，許多其他著名的科學(xué)計(jì)算庫(kù)如Pandas，Scikit-learn等都要用到Numpy庫(kù)的一些功能。

本文主要內(nèi)容如下：

Numpy數(shù)組對(duì)象
創(chuàng)建ndarray數(shù)組
Numpy的數(shù)值類型
ndarray數(shù)組的屬性
ndarray數(shù)組的切片和索引
處理數(shù)組形狀
數(shù)組的類型轉(zhuǎn)換
numpy常用統(tǒng)計(jì)函數(shù)
數(shù)組的廣播

1 Numpy數(shù)組對(duì)象

Numpy中的多維數(shù)組稱為ndarray，這是Numpy中最常見(jiàn)的數(shù)組對(duì)象。ndarray對(duì)象通常包含兩個(gè)部分：

ndarray數(shù)據(jù)本身
描述數(shù)據(jù)的元數(shù)據(jù)

Numpy數(shù)組的優(yōu)勢(shì)

Numpy數(shù)組通常是由相同種類的元素組成的，即數(shù)組中的數(shù)據(jù)項(xiàng)的類型一致。這樣有一個(gè)好處，由于知道數(shù)組元素的類型相同，所以能快速確定存儲(chǔ)數(shù)據(jù)所需空間的大小。
Numpy數(shù)組能夠運(yùn)用向量化運(yùn)算來(lái)處理整個(gè)數(shù)組，速度較快；而Python的列表則通常需要借助循環(huán)語(yǔ)句遍歷列表，運(yùn)行效率相對(duì)來(lái)說(shuō)要差。
Numpy使用了優(yōu)化過(guò)的C API，運(yùn)算速度較快

關(guān)于向量化和標(biāo)量化運(yùn)算，對(duì)比下面的參考例子就可以看出差異

使用python的list進(jìn)行循環(huán)遍歷運(yùn)算

def pySum():
    a = list(range(10000))
    b = list(range(10000))
    c = []
    for i in range(len(a)):
        c.append(a[i]**2 + b[i]**2)

    return c

%timeit pySum()

10 loops, best of 3: 49.4 ms per loop

使用numpy進(jìn)行向量化運(yùn)算

import numpy as np
def npSum():
    a = np.arange(10000)
    b = np.arange(10000)
    c = a**2 + b**2
    return c

%timeit npSum()

The slowest run took 262.56 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 128 μs per loop

從上面的運(yùn)行結(jié)果可以看出，numpy的向量化運(yùn)算的效率要遠(yuǎn)遠(yuǎn)高于python的循環(huán)遍歷運(yùn)算（效率相差好幾百倍）。
（1ms=1000μs）

2 創(chuàng)建ndarray數(shù)組

首先需要導(dǎo)入numpy庫(kù)，在導(dǎo)入numpy庫(kù)時(shí)通常使用“np”作為簡(jiǎn)寫，這也是Numpy官方倡導(dǎo)的寫法。

當(dāng)然，你也可以選擇其他簡(jiǎn)寫的方式或者直接寫numpy，但還是建議用“np”，這樣你的程序能和大都數(shù)人的程序保持一致。

import numpy as np

創(chuàng)建ndarray數(shù)組的方式有很多種，這里介紹我使用的較多的幾種：

Method 1: 基于list或tuple

# 一維數(shù)組

# 基于list
arr1 = np.array([1,2,3,4])
print(arr1)

# 基于tuple
arr_tuple = np.array((1,2,3,4))
print(arr_tuple)

# 二維數(shù)組 (2*3)
arr2 = np.array([[1,2,4], [3,4,5]])
arr2

[1 2 3 4]
[1 2 3 4]
array([[1, 2, 4],
       [3, 4, 5]])

請(qǐng)注意：

一維數(shù)組用print輸出的時(shí)候?yàn)?[1 2 3 4]，跟python的列表是有些差異的，沒(méi)有“,”
在創(chuàng)建二維數(shù)組時(shí)，在每個(gè)子list外面還有一個(gè)"[]"，形式為“[[list1], [list2]]”

Method 2: 基于np.arange

# 一維數(shù)組
arr1 = np.arange(5)
print(arr1)

# 二維數(shù)組
arr2 = np.array([np.arange(3), np.arange(3)])
arr2

[0 1 2 3 4]
array([[0, 1, 2],
       [0, 1, 2]])

Method 3: 基于arange以及reshape創(chuàng)建多維數(shù)組

# 創(chuàng)建三維數(shù)組
arr = np.arange(24).reshape(2,3,4)
arr

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

請(qǐng)注意：arange的長(zhǎng)度與ndarray的維度的乘積要相等，即 24 = 2X3X4
用numpy.random創(chuàng)建數(shù)組的方法，可以參考下面的文章

為什么你用不好Numpy的random函數(shù)？

其他創(chuàng)建ndarray的方法，各位小伙伴們自己可以研究下。

3 Numpy的數(shù)值類型

Numpy的數(shù)值類型如下：

每一種數(shù)據(jù)類型都有相應(yīng)的數(shù)據(jù)轉(zhuǎn)換函數(shù)，參考示例如下：

np.int8(12.334)

np.float64(12)

12.0

np.float(True)

1.0

bool(1)

True

在創(chuàng)建ndarray數(shù)組時(shí)，可以指定數(shù)值類型：

a = np.arange(5, dtype=float)
a

array([ 0.,  1.,  2.,  3.,  4.])

請(qǐng)注意，復(fù)數(shù)不能轉(zhuǎn)換成為整數(shù)類型或者浮點(diǎn)數(shù)，比如下面的代碼會(huì)運(yùn)行出錯(cuò)

# float(42 + 1j)

4 ndarray數(shù)組的屬性

dtype屬性，ndarray數(shù)組的數(shù)據(jù)類型，數(shù)據(jù)類型的種類，前面已描述。

np.arange(4, dtype=float)

array([ 0.,  1.,  2.,  3.])

# 'D'表示復(fù)數(shù)類型
np.arange(4, dtype='D')

array([ 0.+0.j,  1.+0.j,  2.+0.j,  3.+0.j])

np.array([1.22,3.45,6.779], dtype='int8')

array([1, 3, 6], dtype=int8)

ndim屬性，數(shù)組維度的數(shù)量

a = np.array([[1,2,3], [7,8,9]])
a.ndim

shape屬性，數(shù)組對(duì)象的尺度，對(duì)于矩陣，即n行m列,shape是一個(gè)元組（tuple）

a.shape

(2, 3)

size屬性用來(lái)保存元素的數(shù)量，相當(dāng)于shape中nXm的值

a.size

itemsize屬性返回?cái)?shù)組中各個(gè)元素所占用的字節(jié)數(shù)大小。

a.itemsize

nbytes屬性，如果想知道整個(gè)數(shù)組所需的字節(jié)數(shù)量，可以使用nbytes屬性。其值等于數(shù)組的size屬性值乘以itemsize屬性值。

a.nbytes

a.size*a.itemsize

T屬性，數(shù)組轉(zhuǎn)置

b = np.arange(24).reshape(4,6)
b

array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])

b.T

array([[ 0,  6, 12, 18],
       [ 1,  7, 13, 19],
       [ 2,  8, 14, 20],
       [ 3,  9, 15, 21],
       [ 4, 10, 16, 22],
       [ 5, 11, 17, 23]])

復(fù)數(shù)的實(shí)部和虛部屬性，real和imag屬性

d = np.array([1.2+2j, 2+3j])
d

array([ 1.2+2.j,  2.0+3.j])

real屬性返回?cái)?shù)組的實(shí)部

d.real

array([ 1.2,  2. ])

imag屬性返回?cái)?shù)組的虛部

d.imag

array([ 2.,  3.])

flat屬性，返回一個(gè)numpy.flatiter對(duì)象，即可迭代的對(duì)象。

e = np.arange(6).reshape(2,3)
e

array([[0, 1, 2],
       [3, 4, 5]])

f = e.flat
f

<numpy.flatiter at 0x65eaca0>

for item in f:
    print(item)

可通過(guò)位置進(jìn)行索引，如下：

f[2]

f[[1,4]]

array([1, 4])

也可以進(jìn)行賦值

e.flat=7
e

array([[7, 7, 7],
       [7, 7, 7]])

e.flat[[1,4]]=1
e

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

下圖是對(duì)ndarray各種屬性的一個(gè)小結(jié)

5 ndarray數(shù)組的切片和索引

一維數(shù)組

一維數(shù)組的切片和索引與python的list索引類似。

a =  np.arange(7)
a

array([0, 1, 2, 3, 4, 5, 6])

a[1:4]

array([1, 2, 3])

# 每間隔2個(gè)取一個(gè)數(shù)
a[ : 6: 2]

array([0, 2, 4])

二維數(shù)組的切片和索引，如下所示：

插播一條硬廣：技術(shù)文章轉(zhuǎn)發(fā)太多。本文涉及的代碼量比較多，如需要查看源代碼，請(qǐng)?jiān)谖⑿殴娞?hào)“Python數(shù)據(jù)之道”（ID：PyDataRoad）后臺(tái)回復(fù)關(guān)鍵字“2017026”。

6 處理數(shù)組形狀

6.1 形狀轉(zhuǎn)換

reshape()和resize()

b.reshape(4,3)

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

b.resize(4,3)
b

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

函數(shù)resize（）的作用跟reshape（）類似，但是會(huì)改變所作用的數(shù)組，相當(dāng)于有inplace=True的效果

ravel()和flatten()，將多維數(shù)組轉(zhuǎn)換成一維數(shù)組，如下：

b.ravel()

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

b.flatten()

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

兩者的區(qū)別在于返回拷貝（copy）還是返回視圖（view），flatten()返回一份拷貝，需要分配新的內(nèi)存空間，對(duì)拷貝所做的修改不會(huì)影響原始矩陣，而ravel()返回的是視圖（view），會(huì)影響原始矩陣。

參考如下代碼：

用tuple指定數(shù)組的形狀，如下：

b.shape=(2,6)
b

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

轉(zhuǎn)置

前面描述了數(shù)組轉(zhuǎn)置的屬性（T），也可以通過(guò)transpose()函數(shù)來(lái)實(shí)現(xiàn)

b.transpose()

array([[ 0,  6],
       [ 1,  7],
       [20,  8],
       [ 3,  9],
       [ 4, 10],
       [ 5, 11]])

6.2 堆疊數(shù)組

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

c = b*2
c

array([[ 0,  2, 40,  6,  8, 10],
       [12, 14, 16, 18, 20, 22]])

水平疊加

hstack()

np.hstack((b,c))

array([[ 0,  1, 20,  3,  4,  5,  0,  2, 40,  6,  8, 10],
       [ 6,  7,  8,  9, 10, 11, 12, 14, 16, 18, 20, 22]])

column_stack()函數(shù)以列方式對(duì)數(shù)組進(jìn)行疊加，功能類似hstack（）

np.column_stack((b,c))

array([[ 0,  1, 20,  3,  4,  5,  0,  2, 40,  6,  8, 10],
       [ 6,  7,  8,  9, 10, 11, 12, 14, 16, 18, 20, 22]])

垂直疊加

vstack()

np.vstack((b,c))

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [ 0,  2, 40,  6,  8, 10],
       [12, 14, 16, 18, 20, 22]])

row_stack()函數(shù)以行方式對(duì)數(shù)組進(jìn)行疊加，功能類似vstack（）

np.row_stack((b,c))

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [ 0,  2, 40,  6,  8, 10],
       [12, 14, 16, 18, 20, 22]])

concatenate()方法，通過(guò)設(shè)置axis的值來(lái)設(shè)置疊加方向

axis=1時(shí)，沿水平方向疊加

axis=0時(shí)，沿垂直方向疊加

np.concatenate((b,c),axis=1)

array([[ 0,  1, 20,  3,  4,  5,  0,  2, 40,  6,  8, 10],
       [ 6,  7,  8,  9, 10, 11, 12, 14, 16, 18, 20, 22]])

np.concatenate((b,c),axis=0)

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [ 0,  2, 40,  6,  8, 10],
       [12, 14, 16, 18, 20, 22]])

由于針對(duì)數(shù)組的軸為0或1的方向經(jīng)常會(huì)混淆，通過(guò)示意圖，或許可以更好的理解。

關(guān)于數(shù)組的軸方向示意圖，以及疊加的示意圖，如下：

深度疊加

這個(gè)有點(diǎn)燒腦，舉個(gè)例子如下，自己可以體會(huì)下：

arr_dstack = np.dstack((b,c))
print(arr_dstack.shape)
arr_dstack

(2, 6, 2)

array([[[ 0,  0],
        [ 1,  2],
        [20, 40],
        [ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16],
        [ 9, 18],
        [10, 20],
        [11, 22]]])

疊加前，b和c均是shape為（2,6）的二維數(shù)組，疊加后，arr_dstack是shape為（2,6,2）的三維數(shù)組。

深度疊加的示意圖如下：

6.3 數(shù)組的拆分

跟數(shù)組的疊加類似，數(shù)組的拆分可以分為橫向拆分、縱向拆分以及深度拆分。

涉及的函數(shù)為 hsplit()、vsplit()、dsplit() 以及split()

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

沿橫向軸拆分（axis=1）

np.hsplit(b, 2)

[array([[ 0,  1, 20],
        [ 6,  7,  8]]), array([[ 3,  4,  5],
        [ 9, 10, 11]])]

np.split(b,2, axis=1)

[array([[ 0,  1, 20],
        [ 6,  7,  8]]), array([[ 3,  4,  5],
        [ 9, 10, 11]])]

沿縱向軸拆分（axis=0）

np.vsplit(b, 2)

[array([[ 0,  1, 20,  3,  4,  5]]), array([[ 6,  7,  8,  9, 10, 11]])]

np.split(b,2,axis=0)

[array([[ 0,  1, 20,  3,  4,  5]]), array([[ 6,  7,  8,  9, 10, 11]])]

深度拆分

arr_dstack

array([[[ 0,  0],
        [ 1,  2],
        [20, 40],
        [ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16],
        [ 9, 18],
        [10, 20],
        [11, 22]]])

np.dsplit(arr_dstack,2)

[array([[[ 0],
         [ 1],
         [20],
         [ 3],
         [ 4],
         [ 5]],

        [[ 6],
         [ 7],
         [ 8],
         [ 9],
         [10],
         [11]]]), array([[[ 0],
         [ 2],
         [40],
         [ 6],
         [ 8],
         [10]],

        [[12],
         [14],
         [16],
         [18],
         [20],
         [22]]])]

拆分的結(jié)果是原來(lái)的三維數(shù)組拆分成為兩個(gè)二維數(shù)組。

這個(gè)燒腦的拆分過(guò)程可以自行分析下~~

7 數(shù)組的類型轉(zhuǎn)換

數(shù)組轉(zhuǎn)換成list，使用tolist()

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

b.tolist()

[[0, 1, 20, 3, 4, 5], [6, 7, 8, 9, 10, 11]]

轉(zhuǎn)換成指定類型，astype()函數(shù)

b.astype(float)

array([[  0.,   1.,  20.,   3.,   4.,   5.],
       [  6.,   7.,   8.,   9.,  10.,  11.]])

8 numpy常用統(tǒng)計(jì)函數(shù)

常用的函數(shù)如下：

請(qǐng)注意函數(shù)在使用時(shí)需要指定axis軸的方向，若不指定，默認(rèn)統(tǒng)計(jì)整個(gè)數(shù)組。

np.sum()，返回求和
np.mean()，返回均值
np.max()，返回最大值
np.min()，返回最小值
np.ptp()，數(shù)組沿指定軸返回最大值減去最小值，即（max-min）
np.std()，返回標(biāo)準(zhǔn)偏差（standard deviation）
np.var()，返回方差（variance）
np.cumsum()，返回累加值
np.cumprod()，返回累乘積值

array([[ 0,  1, 20,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

np.max(b)

# 沿axis=1軸方向統(tǒng)計(jì)
np.max(b,axis=1)

array([20, 11])

# 沿axis=0軸方向統(tǒng)計(jì)
np.max(b,axis=0)

array([ 6,  7, 20,  9, 10, 11])

np.min(b)

np.ptp()，返回整個(gè)數(shù)組的最大值減去最小值，如下：

np.ptp(b)

# 沿axis=0軸方向
np.ptp(b, axis=0)

array([ 6,  6, 12,  6,  6,  6])

# 沿axis=1軸方向
np.ptp(b, axis=1)

array([20,  5])

np.cumsum()，沿指定軸方向進(jìn)行累加

b.resize(4,3)
b

array([[ 0,  1, 20],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

np.cumsum(b, axis=1)

array([[ 0,  1, 21],
       [ 3,  7, 12],
       [ 6, 13, 21],
       [ 9, 19, 30]], dtype=int32)

np.cumsum(b, axis=0)

array([[ 0,  1, 20],
       [ 3,  5, 25],
       [ 9, 12, 33],
       [18, 22, 44]], dtype=int32)

np.cumprod()，沿指定軸方向進(jìn)行累乘積（Return the cumulative product of the elements along the given axis）

np.cumprod(b,axis=1)

array([[  0,   0,   0],
       [  3,  12,  60],
       [  6,  42, 336],
       [  9,  90, 990]], dtype=int32)

np.cumprod(b,axis=0)

array([[   0,    1,   20],
       [   0,    4,  100],
       [   0,   28,  800],
       [   0,  280, 8800]], dtype=int32)

9 數(shù)組的廣播

當(dāng)數(shù)組跟一個(gè)標(biāo)量進(jìn)行數(shù)學(xué)運(yùn)算時(shí)，標(biāo)量需要根據(jù)數(shù)組的形狀進(jìn)行擴(kuò)展，然后執(zhí)行運(yùn)算。

這個(gè)擴(kuò)展的過(guò)程稱為“廣播（broadcasting）”

array([[ 0,  1, 20],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

d = b + 2
d

array([[ 2,  3, 22],
       [ 5,  6,  7],
       [ 8,  9, 10],
       [11, 12, 13]])

寫在最后

numpy涵蓋的內(nèi)容其實(shí)是非常豐富的，本文僅僅介紹了numpy一些常用的基本功能，算是對(duì)numpy的一個(gè)入門級(jí)的簡(jiǎn)單的較為全面的描述。

numpy官方的《Numpy Reference》文檔，光頁(yè)面數(shù)量就有1500+頁(yè)，如想要系統(tǒng)的學(xué)習(xí)numpy，建議仔細(xì)閱讀官方的參考文檔，可在其官方網(wǎng)站進(jìn)行查閱。當(dāng)然，資料都是英文版的，可能看起來(lái)難度稍微大點(diǎn)，看習(xí)慣了就好。

本文涉及的代碼量比較多，如需要查看源代碼，請(qǐng)?jiān)谖⑿殴娞?hào)“Python數(shù)據(jù)之道”（ID：PyDataRoad）后臺(tái)回復(fù)關(guān)鍵字“2017026”。

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

Python：一篇文章掌握Numpy的基本用法

Python：一篇文章掌握Numpy的基本用法

前言

1 Numpy數(shù)組對(duì)象

2 創(chuàng)建ndarray數(shù)組

3 Numpy的數(shù)值類型

4 ndarray數(shù)組的屬性

5 ndarray數(shù)組的切片和索引

6 處理數(shù)組形狀

6.1 形狀轉(zhuǎn)換

6.2 堆疊數(shù)組

6.3 數(shù)組的拆分

7 數(shù)組的類型轉(zhuǎn)換

8 numpy常用統(tǒng)計(jì)函數(shù)

9 數(shù)組的廣播

寫在最后

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九 欧美,1769亚洲,黄色成人av

Python：一篇文章掌握Numpy的基本用法

前言

1 Numpy數(shù)組對(duì)象

2 創(chuàng)建ndarray數(shù)組

3 Numpy的數(shù)值類型

4 ndarray數(shù)組的屬性

5 ndarray數(shù)組的切片和索引

6 處理數(shù)組形狀

6.1 形狀轉(zhuǎn)換

6.2 堆疊數(shù)組

6.3 數(shù)組的拆分

7 數(shù)組的類型轉(zhuǎn)換

8 numpy常用統(tǒng)計(jì)函數(shù)

9 數(shù)組的廣播

寫在最后

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av