0102 NumPy 库基础操作¶
本文使用 miniconda 作为 python 版本控制及开发工具。
NumPy 是 Python 常用的第三方库，它的核心在于：
- 数据的维度：一维、二维、多维、高维数据。。。
- NumPy 中的 ndarray 类型：是一个表示 N 维数据的数据类型，填补了 Python 没有数组类型缺陷。
1 N 维数组对象：ndarray¶
1.1 原始数组与 NumPy 数组¶
原始数组代码
def pySum():
a = [1, 2, 3, 4]
b = [1, 2, 3, 4]
c = []
for i in range(len(a)):
c.append(a[i]**2+b[i]**3)
return c
print(pySum())
引入 numpy 后
import numpy as np
def npSum():
a = np.array([1, 2, 3, 4])
b = np.array([1, 2, 3, 4])
c = a**2 + b**3
return c
print(npSum())
1.2 ndarray 类型属性¶
| 名称 | 描述 |
|---|---|
| ndarray.ndim | 数组的秩，即轴的数量 / 维度的数量 |
| ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
| ndarray.size | 数组元素的总个数，相当于 .shape 中 n × m 的值 |
| ndarray.dtype | ndarray 对象的元素类型 |
| ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
2 创建 ndarray 的数组¶
2.1 使用 Python 中的 列表list 和 元组tuple 等类型创建¶
将列表或元组当作参数输入给相关的函数，可以用 dtype 来指定元素的数据类型。
x = np.array(list/tuple, dtype=np.float32)
当 np.array() 不指定 dtype 时，NumPy 将根据读入的数据确定 dtype 类型。
- 若读入的数据 均为 整数，则 NumPy 将创建一个整数类型的数组
- 若读入的数据 存在 浮点数，则 NumPy 将创建一个浮点数类型的数组
从列表创建
x = np.array([1, 2, 4, 4])
print(x)
从元组中创建
y = np.array((3, 3, 4, 5))
print(y)
从列表和元组混合类型创建
z = np.array([[1, 2], (3, 4), [5, 6]])
print(z)
2.2 【常用方法】使用 NumPy 的函数进行创建¶
| 名称 | 描述 |
|---|---|
| np.arrage(n) | 类似 range() 函数，返回 ndarray 类型，生成的数组元素是整数类型 |
| np.ones(shape) | 根据 shape 生成一个全 1 数组，shape 是元组类型，数组元素默认为浮点数 |
| np.zeros(shape) | 根据 shape 生成一个全 0 数组，shape 是元组类型，数组元素默认为浮点数 |
| np.full(shape,val) | 根据 shape 生成一个数组，每个元素值都是 val |
| np.eye(n) | 创建一个正方的 n × n 单位矩阵，对角线都是 1，其余为 0 |
| np.ones_like(a) | 根据数组 a 的形状生成一个全 1 数组 |
| np.zeros_like(a) | 根据数组 a 的形状生成一个全 0 数组 |
| np.full_like(a,val) | 根据数组 a 的形状生成一个数组，每个元素值都是 val |
常用于大规模科学计算
| 名称 | 描述 |
|---|---|
| np.ones_like(a) | 根据输入的数组 a 的形状生成一个全 1 数组 |
| np.zeros_like(a) | 根据输入的数组 a 的形状生成一个全 0 数组 |
| np.full_like(a,val) | 根据输入的数组 a 的形状生成一个数组，每个元素值都是 val |
2.3 使用 NumPy 中其他函数创建¶
| 名称 | 描述 |
|---|---|
| np.linspace() | 根据起止数据等间距地填充数据，形成数组 |
| np.concatenate() | 将两个或多个数组合并成一个新的数组 |
3 ndarray 数组的变换¶
创建好的 ndarray 数组，可以对其进行：
- 维度变换
- 元素类型变换
3.1 ndarray 数组的维度变换¶
| 名称 | 描述 |
|---|---|
| np.reshape(shape) | 不改变数组元素，创建一个新的 shape 形状的数组，原数组不变 |
| np.resize(shape) | 与 .reshape() 功能一致，但是会修改原数组 |
| np.swapaxes(ax1,ax2) | 将数组 n 个维度中两个维度进行调换 |
| np.flatten() | 对数组进行降维，返回折叠后的一维数组，原数组不变 |
3.1 ndarray 数组的维度变换¶
new_a = a.astype(new_type)
| 名称 | 描述 |
|---|---|
| a.astype() | 拷贝原数组 a 创建一个新的数组，原数组不变 |
| a.tolist() | 将原数组 a 转化为列表 |
4 ndarray 数组的索引与切片¶
4.1 相关基础知识¶
-
一维数组的索引和切片与 Python 的列表类似
-
索引：
-
原理：寻找数组的中某个元素
-
格式：从左往右从 0 开始（0，1，2，... ），从右往左从 -1 开始（ ...，-3，-2，-1)
-
切片：
-
原理：取出数组中某一段的全部元素形成新的数组，索引时 不含 终止编号
-
格式：[ 起始编号：终止编号：步长 ]，起止可以为空
4.2 对于一维数组¶
python 文件
import numpy as np
a = np.array([9, 8, 7, 6, 5])
print("一维数组索引:", a[2])
print("一维数组切片:", a[1: 4: 2])
jupyter 内容
4.3 对于多维数组¶
python 文件
import numpy as np
a = np.arange(24).reshape((2, 3, 4))
print(a)
# 数组索引
print(a[1, 2, 3])
print(a[0, 1, 2])
print(a[-1, -2, -3])
# 数组切片
print(a[:, 1, -3])
print(a[:, 1:3, :])
print(a[:, :, ::2])
- 多维数组的索引值使用逗号分隔
- 通过
:可以选取整个维度 - 每个维度内部的切片方法与一维数组相同
- 每个维度可以使用 步长 跳跃切片
jupyter 内容
5 ndarray 数组的运算¶
NumPy 的设计理念在于把数组当成一个数字来对待。
5.1 数组与标量间的运算¶
运算将会作用于每一个数组元素。
| 名称 | 描述 |
|---|---|
| a.mean() | 求数组 a 中所有元素的算术平均值 |
5.2 NumPy 一元函数¶
-
一元函数：即只对一个数组进行运算的函数
-
注：计算后会创建一个新的数组，原数组保持不变，在计算时要注意数组是否被真实改变。
部分常用函数
| 函数 | 说明 |
|---|---|
| np.square(a) | 计算数组 a 中各元素的平方，创建一个新的数组，原数组保持不变 |
| np.sqrt(a) | 计算数组 a 中各元素的平方根，创建一个新的数组，原数组保持不变 |
| np.modf(a) | 将数组 a 中各元素的整数部分和小数部分分离，创建两个新的数组，原数组保持不变 |
5.3 NumPy 二元函数¶
-
二元函数：即对两个数组进行运算的函数
-
注：计算后会创建一个新的数组，原有数组保持不变，在计算时要注意数组是否被真实改变。
部分常用函数
| 函数 | 说明 |
|---|---|
| + - * / ** | 两个数组间对应元素进行【加、减、乘、除、乘方】的对应计算 |
| > < >= <= == != | 算术比较，计算将产生布尔型数组 |
| np.copysign(x,y) | 将数组 y 中各元素值的符号赋值给数组 x 对应元素 |
参考文章¶
上一节：0101 学习环境配置