Numpy库①
numpy是一个开源python扩充程序库，提供了高性能数组与矩阵运算处理能力。
一、ndarray多维数组
1. 创建ndarray数组
import numpy as np
data1=[5,7,9,20] #列表
data2=(5,7,9,20) #元组
data3=[[1,2,3,4],[5,6,7,8]] #多维数组
arr1=np.array(data1)
arr2=np.array(data2)
arr3=np.array(data3)
arr1
arr2
arr3
array([5, 7, 9, 20])
array([5, 7, 9, 20])
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
1.1 zeros函数
zeros函数可以创建指定长度或形状的全0数组。
np.zeros(6)
Out[ ]: array([0., 0., 0., 0., 0., 0.])
np.zeros((3,4))
Out[ ]: array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
np.zeros_like(arr3)
Out[ ]: array([[0, 0, 0, 0],
[0, 0, 0, 0]])
1.2 ones函数
ones函数可以创建指定长度或形状的全1数组。
np.ones(6)
Out[ ]: array([1., 1., 1., 1., 1., 1.])
np.ones((3,4))
Out[ ]: array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
np.ones_like(arr3)
Out[ ]: array([[1, 1, 1, 1],
[1, 1, 1, 1]])
1.3 empty函数
empty函数可以创建一个没有具体值的数组。
np.empty((2,2,2))
Out[ ]: array([[[0.00000000e+000, 0.00000000e+000],
[0.00000000e+000, 0.00000000e+000]],
[[0.00000000e+000, 6.99596955e-321],
[8.70018274e-313, 8.90060779e-307]]])
1.4 arange函数
arange函数主要用于创建数组。
np.arange(6)
Out[ ]: array([0, 1, 2, 3, 4, 5])
1.5 随机函数
- randint生成整数随机数。
import numpy as np
arr=np.random.randint(100,200,size=(3,4))
arr
Out[ ]: array([[135, 107, 119, 119],
[138, 105, 122, 120],
[186, 193, 144, 151]])
- randn函数，生成平均数为0，标准差为1的正态分布的随机数。
import numpy as np
arr=np.random.randn(2,3,2)
arr
Out[ ]: array([[[ 1.78521479, -0.41762213],
[-1.71612921, -1.01758876],
[-0.25929651, -0.43067282]],
[[ 1.14328724, -1.13676288],
[ 2.05677322, 2.03150197],
[-0.39033181, -0.93722018]]])
2. ndarray属性
arr3.shape
Out[ ]: (2, 4)
arr3.dtype
Out[ ]: dtpye('int32')
2.1 ndarray数据类型
数组常见的数据类型有以下几种：浮点数(float)、整数(int)、复数(complex)、布尔值(bool)、字符串(string_和Python对象(object)
arr4=arr1.astype('float64')
arr4
Out[ ]: array([ 5., 7., 9., 20.])
如果将浮点数转换为整数，并不会使用四舍五入的方式来转换，而是元素的小数部分都会被截断。
3. 数组变换
3.1 数组重塑
np.arange(9).reshape((3,3))
Out[ ]: array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
reshape的参数中的一维参数可以设置为-1，表示数组的维度可以通过数据本身来推断。
arr=np.arange(12).reshape((3,-1))
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
与reshape相反的是数据散开（ravel）或扁平化（flatten）。
arr.ravel()
Out[ ]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])
3.2 数组合并
np.concatenate([arr3,arr3],axis=0)
Out[ ]: array([[1, 2, 3, 4],
[5, 6, 7, 8],
[1, 2, 3, 4],
[5, 6, 7, 8]])
np.concatenate([arr3,arr3],axis=1)
array([[1, 2, 3, 4, 1, 2, 3, 4],
[5, 6, 7, 8, 5, 6, 7, 8]])
3.3 数组拆分
数组拆分是数组合并的相反操作，通过split可以将数组拆分为多个数组。
np.split(ary, indices_or_sections, axis=0)
ary：要切分的数组
indices_or_sections：如果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置
axis：沿着哪个维度进行切向，默认为0，横向切分
- 一维数组切分
import numpy as np
x = np.array([0,1,2,3,4,5,6,7,8])
print (np.split(x,3)）
print (np.split(x,[3,5,6,9]))
print（np.split(x,[3,5,6,8])）
Out[ ]:
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
[array([0, 1, 2]), array([3, 4]), array([5]), array([6, 7, 8]), array([], dtype=int32)]
[array([0, 1, 2]), array([3, 4]), array([5]), array([6, 7]), array([8])]
一维数组只有一个维度，所以切分只会在这一个维度进行。第一行输出对应indices_or_sections参数为一个整数，将数组平均分成了三份，第二行输出对应indices_or_sections参数为一个数组，此时每一次切分都会将要切分数组的前n（n=3,5，6,9）个元素切分出来，第一次n=3，进行数组切分得到array([0, 1, 2])，第二次n=5，进行数组切分得到array([3, 4])，此时数组前5个元素已经切分完毕，后续同理，最后一次n=9，切分完毕后数组所有元素已经被切分，所以最后一个array为array([], dtype=int32)，对比第三行输出可以看出区别。
- 二维数组切分
a = np.array([[1,2,3],
[1,2,5],
[4,6,7]])
print (np.split(a, [2, 3],axis = 0))
print (np.split(a, [1, 2],axis = 1))
Out[ ]:
[array([[1, 2, 3],
[1, 2, 5]]), array([[4, 6, 7]]), array([], shape=(0, 3), dtype=int32)]
[array([[1],
[1],
[4]]), array([[2],
[2],
[6]]), array([[3],
[5],
[7]])]
同样，二维数组的切分也是同理。第一行按第一个和第二个数组作为第一个切分，第三个数组作为第二个切分，后面已经没有数组，所以第三个切分为空值。
3.4 数组转置和轴对换
可以通过transpose方法进行转置。除了使用transpose方法外，也可以用T属性进行数组的转置，等同于transpose函数不带参数的效果。
import numpy as np
arr=np.arange(12).reshape(3,4)
Out[ ]: array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
arr.transpose((1,0))
arr.T
Out[ ]: array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])
- transpose和swapaxes函数讲解
arr=np.arange(16).reshape(2,2,4)
arr
Out[ ]: array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
arr.transpose(2,1,0)
Out[ ]: array([[[ 0, 8],
[ 4, 12]],
[[ 1, 9],
[ 5, 13]],
[[ 2, 10],
[ 6, 14]],
[[ 3, 11],
[ 7, 15]]])
arr这个数组有三个维度，三个维度的编号对应为(0,1,2),比如这样，我们需要拿到7这个数字，怎么办，肯定需要些三个维度的值，7的第一个维度为0，第二个维度为1，第三个3，所以arr[0,1,3]则拿到了7。再回到transpose()这个函数，它里面就是维度的排序，比如我们后面写的transpose(2,1,0)，就是把之前第三个维度转为第一个维度，之前的第二个维度不变，之前的第一个维度变为第三个维度，好那么我们继续拿7这个值来说，之前的索引为[0,1,3]，按照我们的转换方法，把之前的第三维度变为第一维度，之前的第一维度变为第三维度，那么现在7的索引就是(3,1,0)同理所有的数组内的数字都是这样变的。
arr.swapaxes(2,1) #就是将第三个维度和第二个维度交换
Out[ ]: array([[[ 0, 4],
[ 1, 5],
[ 2, 6],
[ 3, 7]],
[[ 8, 12],
[ 9, 13],
[10, 14],
[11, 15]]])
- 如何更好的理解转置
x = np.arange(4).reshape((2,2))
Out[ ]: array([[0, 1],
[2, 3]])
我们不妨设第一个方括号“[]”为 0轴 ，第二个方括号为 1轴 ，则x可在 0-1坐标系 下表示如下：
因为 x.transpose((0,1)) 表示按照原坐标轴改变序列，也就是保持不变,而 x.transpose((1,0)) 表示交换 ‘0轴’ 和 ‘1轴’，所以就得到如下图所示结果：
我们来看一个三维的：
A = array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
*该图形有问题，2轴应该是0,1,2,3升序
A.transpose((0,1,2)) #保持A不变
A.transpose((1,0,2)) #将 0轴 和 1轴 交换
A.transpose((1,0,2)) [0][1][2] #根据上图这个结果应该是10
———————————————————
以上内容均来自书籍或网络，为个人的学习笔记，如有侵权，请联系删帖。
