Numpy 基础
Numpy 简介
Numpy
Numpy 库是 Python 中科学计算的核心库。它提供了高性能的多维数组对象以及用于处理这些数组的工具。
使用以下约定导入 Numpy
import numpy as np
Numpy 数组
image.png
帮助
np.info(np.ndarray.dtype)
创建数组
a = np.array([1,2,3])
b = np.array([(1.5,2,3), (4,5,6)], dtype = float)
c = np.array([[(1.5,2,3), (4,5,6)], [(3,2,1), (4,5,6)]],
dtype = float)
初始占位符
# 创建一个零数组
np.zeros((3,4))
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
# 创建一个数组
np.ones((2,3,4), dtype=np.int16)
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]], dtype=int16)
# 创建均匀间隔值的数组（步长值）
d = np.arange(10,25,5)
# 创建均匀间隔值的数组（样本数）
np.linspace(0,2,9)
array([0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
# 创建常量数组
e = np.full((2,2),7)
# 创建2X2单位矩阵
f = np.eye(2)
# 创建具有随机值的数组
np.random.random((2,2))
array([[0.64234353, 0.07179718],
[0.7937333 , 0.13764298]])
# 创建一个空数组
np.empty((3,2))
array([[0., 0.],
[0., 0.],
[0., 0.]])
文件 I / O
在磁盘上保存 & 加载
np.save('my_array', a)
np.savez('array.npz', a, b)
np.load('my_array.npy')
array([1, 2, 3])
保存 & 加载文本文件
np.loadtxt("myfile.txt")
np.genfromtxt("my_file.csv", delimiter=',')
np.savetxt("myarray.txt", a, delimiter=" ")
数据类型
# 有符号的64位整数类型
np.int64
numpy.int64
# 标准双精度浮点复数
np.float32
numpy.float32
# 由128浮点数表示的布尔类型
np.complex
complex
# 存储TRUE和FALSE
np.bool
bool
# 值Python对象类型
np.object
object
# 固定长度的字符串类型
np.string_
numpy.bytes_
# 固定长度的unicode类型
np.unicode_
numpy.str_
检查数组
# 数组尺寸
a.shape
(3,)
# 数组长度
len(a)
3
# 数组维数
b.ndim
2
# 数组元素的数量
e.size
4
# 数组元素的数据类型
b.dtype
dtype('float64')
# 数据类型的名称
b.dtype.name
'float64'
# 将数组转换为其他类型
b.astype(int)
array([[1, 2, 3],
[4, 5, 6]])
数学运算
算术运算
# 减法
g = a - b
g
array([[-0.5, 0. , 0. ],
[-3. , -3. , -3. ]])
# 减法
np.subtract(a,b)
array([[-0.5, 0. , 0. ],
[-3. , -3. , -3. ]])
# 加法
b + a
array([[2.5, 4. , 6. ],
[5. , 7. , 9. ]])
# 加法
np.add(b,a)
array([[2.5, 4. , 6. ],
[5. , 7. , 9. ]])
# 乘法
a * b
array([[ 1.5, 4. , 9. ],
[ 4. , 10. , 18. ]])
# 除法
a / b
array([[0.66666667, 1. , 1. ],
[0.25 , 0.4 , 0.5 ]])
# 幂
np.multiply(a,b)
array([[ 1.5, 4. , 9. ],
[ 4. , 10. , 18. ]])
# 平方根
np.sqrt(b)
array([[1.22474487, 1.41421356, 1.73205081],
[2. , 2.23606798, 2.44948974]])
# 正弦
np.sin(a)
array([0.84147098, 0.90929743, 0.14112001])
# 余弦
np.cos(b)
array([[ 0.0707372 , -0.41614684, -0.9899925 ],
[-0.65364362, 0.28366219, 0.96017029]])
# 自然对数
np.log(a)
array([0. , 0.69314718, 1.09861229])
# 点积
e.dot(f)
array([[7., 7.],
[7., 7.]])
比较
# 元素比较
a == b
array([[False, True, True],
[False, False, False]])
# 元素比较
a < 2
array([ True, False, False])
# 数组比较
np.array_equal(a, b)
False
聚合函数
# 数组式和
a.sum()
6
# 数组最小值
a.min()
1
# 数组行的最大值
b.max(axis=0)
array([4., 5., 6.])
# 元素的累积总和
b.cumsum(axis=1)
array([[ 1.5, 3.5, 6.5],
[ 4. , 9. , 15. ]])
# 均值
a.mean()
2.0
# 中位数
np.median(b)
3.5
# 相关系数
np.corrcoef(a, b)
array([[1. , 0.98198051, 1. ],
[0.98198051, 1. , 0.98198051],
[1. , 0.98198051, 1. ]])
# 标准差
np.std(b)
1.5920810978785667
复制数组
# 使用相同的数据创建数组视图
h = a.view()
h
array([1, 2, 3])
# 创建数组的副本
np.copy(a)
array([1, 2, 3])
# 创建数组的深层副本
h = a.copy()
h
array([1, 2, 3])
排序数组
# 对数组进行排序
a.sort()
a
array([1, 2, 3])
# 对数组轴的元素进行排序
c.sort(axis=0)
c
array([[[1.5, 2. , 1. ],
[4. , 5. , 6. ]],
[[3. , 2. , 3. ],
[4. , 5. , 6. ]]])
切片与索引
下标
a[2]
3
b[1,2]
6.0
切片
a[:2]
array([1, 2])
b[0:2,1]
array([2., 5.])
b[:1]
array([[1.5, 2. , 3. ]])
c[1, ...]
array([[3., 2., 3.],
[4., 5., 6.]])
a[ : :-1]
array([3, 2, 1])
布尔索引
a[a<2]
array([1])
# 花式索引
b[[1, 0, 1, 0],[0, 1, 2, 0]]
array([4. , 2. , 6. , 1.5])
b[[1, 0, 1, 0]][:,[0,1,2,0]]
array([[4. , 5. , 6. , 4. ],
[1.5, 2. , 3. , 1.5],
[4. , 5. , 6. , 4. ],
[1.5, 2. , 3. , 1.5]])
数组操作
转置数组
# 重新排列数组维度
i = np.transpose(b)
# 重新排列数组维度
i.T
array([[1.5, 2. , 3. ],
[4. , 5. , 6. ]])
改变形状
# 展平数组
b.ravel()
array([1.5, 2. , 3. , 4. , 5. , 6. ])
g.reshape(3, -2)
array([[-0.5, 0. ],
[ 0. , -3. ],
[-3. , -3. ]])
添加 / 删除元素
# 返回一个形状为新的数组（2,6）
h = np.array([1, 2, 3])
h.resize((2, 6))
# 将元素附加到数组
np.append(h, g)
array([ 1. , 2. , 3. , 0. , 0. , 0. , 0. , 0. , 0. , 0. , 0. ,
0. , -0.5, 0. , 0. , -3. , -3. , -3. ])
# 在数组中插入元素
np.insert(a, 1, 5)
array([1, 5, 2, 3])
# 从数组中删除元素
np.delete(a,[1])
array([1, 3])
结合数组
# 连接数组
np.concatenate((a,d),axis=0)
array([ 1, 2, 3, 10, 15, 20])
# 垂直堆叠数组（逐行）
np.vstack((a,b))
array([[1. , 2. , 3. ],
[1.5, 2. , 3. ],
[4. , 5. , 6. ]])
# 垂直堆叠数组（逐行）
np.r_[e,f]
array([[7., 7.],
[7., 7.],
[1., 0.],
[0., 1.]])
# 水平堆叠阵列（逐列）
np.hstack((e,f))
array([[7., 7., 1., 0.],
[7., 7., 0., 1.]])
# 创建堆叠的列式数组
np.column_stack((a,d))
array([[ 1, 10],
[ 2, 15],
[ 3, 20]])
# 创建堆叠的列式数组
np.c_[a,d]
array([[ 1, 10],
[ 2, 15],
[ 3, 20]])
拆分数组
# 在第3个索引处水平拆分数组
np.hsplit(a,3)
[array([1]), array([2]), array([3])]
h
h.resize(2, 6)
# 在第 2 个索引处垂直拆分数组
np.vsplit(c,2)
[array([[[1.5, 2. , 1. ],
[4. , 5. , 6. ]]]), array([[[3., 2., 3.],
[4., 5., 6.]]])]
在线查看： https://github.com/iOSDevLog/AIDevLog/blob/master/Python%20%E5%9F%BA%E7%A1%80/NumpyBasic.ipynb
